境外开放课程——最近更新(30天)
51
52
53
54
55
56
57
58
59
60

Interpretable Anomaly Detection for Monitoring of High Performance Computing Systems[用于监控高性能计算系统的可解释异常检测]
Elisabeth Baseman(KDD 2016研讨会) 用于监控高性能计算系统的可解释异常检测
更新时间:2025-03-24 10:48:24
Elisabeth Baseman(KDD 2016研讨会) 用于监控高性能计算系统的可解释异常检测
更新时间:2025-03-24 10:48:24

Fast, automated identification of tassels: Bag-of-features, graph algorithms and high throughput computing[快速、自动识别流苏:特征袋、图形算法和高通量计算]
Nigel Lee(KDD 2016研讨会) 快速、自动识别流苏:特征袋、图形算法和高通量计算
更新时间:2025-03-24 10:48:15
Nigel Lee(KDD 2016研讨会) 快速、自动识别流苏:特征袋、图形算法和高通量计算
更新时间:2025-03-24 10:48:15

A Knowledge Ecosystem for the Food, Energy, and Water System[食物、能源和水系统的知识生态系统]
Praveen Rao(KDD 2016研讨会) 食物、能源和水系统的知识生态系统
更新时间:2025-03-24 10:48:07
Praveen Rao(KDD 2016研讨会) 食物、能源和水系统的知识生态系统
更新时间:2025-03-24 10:48:07

SmartFarm: Improving Agriculture Sustainability Using Modern Information Technology[SmartFarm:利用现代信息技术提高农业可持续性]
Chandra Krintz (KDD 2016研讨会) SmartFarm:利用现代信息技术提高农业可持续性
更新时间:2025-03-24 10:47:57
Chandra Krintz (KDD 2016研讨会) SmartFarm:利用现代信息技术提高农业可持续性
更新时间:2025-03-24 10:47:57

An end-to-end convolutional selective autoencoder approach to Soybean Cyst Nematode eggs detection[大豆胞囊线虫卵检测的端到端卷积选择性自动编码方法]
Adedotun Akintayo(KDD 2016研讨会) 大豆胞囊线虫卵检测的端到端卷积选择性自动编码方法
更新时间:2025-03-21 09:44:53
Adedotun Akintayo(KDD 2016研讨会) 大豆胞囊线虫卵检测的端到端卷积选择性自动编码方法
更新时间:2025-03-21 09:44:53

Plantation Mapping in Southeast Asia[东南亚人工林制图]
Xiaowei Jia(KDD 2016研讨会) 东南亚人工林制图
更新时间:2025-03-21 09:44:37
Xiaowei Jia(KDD 2016研讨会) 东南亚人工林制图
更新时间:2025-03-21 09:44:37

Towards an interdisciplinary Community intersecting Data Science with Food, Energy and Water[迈向数据科学与食品、能源和水交叉的跨学科社区]
(KDD 2016研讨会) 迈向数据科学与食品、能源和水交叉的跨学科社区
更新时间:2025-03-21 09:44:26
(KDD 2016研讨会) 迈向数据科学与食品、能源和水交叉的跨学科社区
更新时间:2025-03-21 09:44:26

Automated Vegetative Stage Phenotyping Analysis of Maize Plants using Visible Light Images[利用可见光图像对玉米植株营养期表型进行自动分析]
Sruti Das Choudhury(KDD 2016研讨会) 利用可见光图像对玉米植株营养期表型进行自动分析
更新时间:2025-03-21 09:44:11
Sruti Das Choudhury(KDD 2016研讨会) 利用可见光图像对玉米植株营养期表型进行自动分析
更新时间:2025-03-21 09:44:11

Deep‐Learning: Investigating feed‐forward Deep Neural Networks hyper‐parameters and Comparison of Performance to Shallow Methods for Modeling Bioactivity Data[深度学习:研究前馈深度神经网络超参数,并与浅层生物活性数据建模方法进行性能比较]
Jun (Luke) Huan(KDD 2016研讨会) 近年来,人工神经网络(ANNs)的研究重新兴起,现在处于深度学习的保护之下,由于方法论和计算能力的重大突破,它变得非常受欢迎。深度学习方法是表示学习算法的...
更新时间:2025-03-21 09:43:44
Jun (Luke) Huan(KDD 2016研讨会) 近年来,人工神经网络(ANNs)的研究重新兴起,现在处于深度学习的保护之下,由于方法论和计算能力的重大突破,它变得非常受欢迎。深度学习方法是表示学习算法的...
更新时间:2025-03-21 09:43:44

Predictive Modeling of Sorghum Phenotypes with Airborne Image Features[基于机载图像特征的高粱表型预测建模]
Karthikeyan Natesan Ramamurthy(KDD 2016研讨会) 基于机载图像特征的高粱表型预测建模
更新时间:2025-03-20 10:06:54
Karthikeyan Natesan Ramamurthy(KDD 2016研讨会) 基于机载图像特征的高粱表型预测建模
更新时间:2025-03-20 10:06:54