Search results for: MACHINE LEARNING (ML) - Bridge of Knowledge

Search

Search results for: MACHINE LEARNING (ML)

Best results in : Research Potential Pokaż wszystkie wyniki (101)

Search results for: MACHINE LEARNING (ML)

  • Katedra Elektrotechniki, Systemów Sterowania i Informatyki

    W Katedrze Elektrotechniki, Systemów Sterowania i Informatyki prowadzone są badania w tematyce podstaw elektrotechniki, zaawansowanych systemów sterowania, prototypowania dedykowanych rozwiązań sprzętowych w FPGA. Prowadzone badania skupiają się również na wykorzystaniu zaawansowanych technik analizy komputerowej w systemach sterowania oraz elektrotechniki.

  • Zespół Inżynierii Biomedycznej

    Inżynieria biomedyczna stanowi nową interdyscyplinarną dziedzinę wiedzy zlokalizowaną na pograniczu nauk technicznych, medycznych i biologicznych. Według opinii WHO (World Health Organization) można ją zaliczyć do głównych (obok inżynierii genetycznej) czynników decydujących o postępie współczesnej medycyny. Rosnące znaczenie kształcenia w zakresie INŻYNIERII BIOMEDYCZNEJ wynika z faktu, że specjaliści tej dyscypliny są potrzebni...

  • Zespół Katedry Zarządzania w Budownictwie i Inżynierii Sejsmicznej

    Katedra Zarządzania w Budownictwie i Inżynierii Sejsmicznej jest kontynuatorem tradycji Katedry Ekonomiki Budownictwa, powołanej na Politechnice Gdańskiej w 1965 r. W 1974 r. powstała pierwsza w Polsce specjalność Organizacja i Zarządzanie w Budownictwie, która nieprzerwanie od tego czasu prowadzona jest przez pracowników katedry. W swojej długiej historii, katedra podlegała licznym przekształceniom organizacyjnym, kilkakrotnie...

Best results in : Business Offer Pokaż wszystkie wyniki (28)

Search results for: MACHINE LEARNING (ML)

Other results Pokaż wszystkie wyniki (2100)

Search results for: MACHINE LEARNING (ML)

  • MACHINE LEARNING

    Journals

    ISSN: 0885-6125 , eISSN: 1573-0565

  • Speech Analytics Based on Machine Learning

    Publication

    In this chapter, the process of speech data preparation for machine learning is discussed in detail. Examples of speech analytics methods applied to phonemes and allophones are shown. Further, an approach to automatic phoneme recognition involving optimized parametrization and a classifier belonging to machine learning algorithms is discussed. Feature vectors are built on the basis of descriptors coming from the music information...

    Full text to download in external service

  • Explainable machine learning for diffraction patterns

    Publication
    • S. Nawaz
    • V. Rahmani
    • D. Pennicard
    • S. P. R. Setty
    • B. Klaudel
    • H. Graafsma

    - Journal of Applied Crystallography - Year 2023

    Serial crystallography experiments at X-ray free-electron laser facilities produce massive amounts of data but only a fraction of these data are useful for downstream analysis. Thus, it is essential to differentiate between acceptable and unacceptable data, generally known as ‘hit’ and ‘miss’, respectively. Image classification methods from artificial intelligence, or more specifically convolutional neural networks (CNNs), classify...

    Full text available to download

  • Machine Learning Techniques in Concrete Mix Design

    Publication

    Concrete mix design is a complex and multistage process in which we try to find the best composition of ingredients to create good performing concrete. In contemporary literature, as well as in state-of-the-art corporate practice, there are some methods of concrete mix design, from which the most popular are methods derived from The Three Equation Method. One of the most important features of concrete is compressive strength, which...

    Full text available to download

  • Introduction to the special issue on machine learning in acoustics

    Publication
    • Z. Michalopoulou
    • P. Gerstoft
    • B. Kostek
    • M. A. Roch

    - Journal of the Acoustical Society of America - Year 2021

    When we started our Call for Papers for a Special Issue on “Machine Learning in Acoustics” in the Journal of the Acoustical Society of America, our ambition was to invite papers in which machine learning was applied to all acoustics areas. They were listed, but not limited to, as follows: • Music and synthesis analysis • Music sentiment analysis • Music perception • Intelligent music recognition • Musical source separation • Singing...

    Full text available to download