Dòng Nội dung
1
Automatic heart disease prediction using feature selection and data mining technique / Lê Minh Hùng, Trần Đình Toàn, Trần Văn Lang // Tạp chí Tin học và Điều khiển học = Journal of Computer Science And Cybernetics . - 2018. - Page 33 - 47. - ISSN:


15 p.
Ký hiệu phân loại (DDC): 629.8
This paper presents an automatic Heart Disease (HD) prediction method based on feature selection with data mining techniques using the provided symptoms and clinical information assigned in the patients dataset. Data mining which allows the extraction of hidden knowledges from the data and explores the relationship between attributes, is the promising technique for HD prediction. HD symptoms can be effectively learned by the computer to classify HD into different classes.
 Số bản sách: (0) Tài liệu số: (0)
2
Content based image retrieval using multiple features and pareto approach / Vu Van Hieu, Nguyen Truong Thang, Nguyen Huu Quynh, Ngo Quoc Tao // Tạp chí Tin học và Điều khiển học . - 2016. - P. 169-187. - ISSN:


19 p.
Ký hiệu phân loại (DDC): 005
In this paper the authors propose to use pareto approach for candidate selection, the proposed algorithm produces a compact set of candidate images when comparing with the entire datase and this set also contains results obtained from all aggregation operator
 Số bản sách: (0) Tài liệu số: (1)
3
Hie Rarchy Supervised Som Neural Network Applied For Classification Problem / Le Anh Tu, Nguyen Quang Hoan, Le Son Thai // Tạp chí Tin học và Điều khiển học = Journal of Computer Science And Cybernetics . - 2014. - Tr. 278-291. - ISSN:


14 tr.
Ký hiệu phân loại (DDC): 004
Đề xuất các mạng nơtron có giám sát, gồm S-SOM và S-SOM+ áp dụng cho bài toán phân lớp. Các mạng này được cải tiến từ mô hình SOM không giám sát và có giám sát đã được đề xuất bởi Kohonen và các tác giả khác. Cải tiến xuất phát từ ý tưởng xác định nơtron phân loại mẫu sai, từ đó phát triển các nhánh huấn luyên bổ sung đối với các mẫu dữ liệu được đại diện bởi các nơtron này. Kết quả thực nghiệm mô hình đề xuất phân loại mẫu đạt mức chính xác từ 92% đến 100%.
 Số bản sách: (0) Tài liệu số: (1)