Implementação do método de regressão logística na classificação de exames por espectrometria de massa quanto à presença de câncer do ovário

Bibliographic Details
Main Author: Neves, João Paulo Santa Rita
Publication Date: 2022
Format: Bachelor thesis
Language: por
Source: Repositório Institucional do IFAM (Repositório Institucional do Instituto Federal do Amazonas)
Download full: http://repositorio.ifam.edu.br/jspui/handle/4321/1035
Summary: This work aims to implement the logistic regression method, a simple 01 single-layer Artificial Neural Network, to classify the results of mass spectrometry exams in 02 diagnosis classes: with or without ovarian cancer. An “OvarianInputs” database was used with data from 216 patients examined with ion intensities corresponding to 100 specific load-mass values and the “OvarianTargets” database with diagnostic results for network training purposes neural. The k-fold cross validation was used in 5 randomized folders to assess the average accuracy of the model. The confusion matrix obtained from the classification of the elements of the test set of each folder was used. The algorithm responsible for this implementation was developed using Python language libraries and compared with the results obtained from the mathematical formulation of the model in MATLAB software, reaching an average accuracy of 93.03% in both implementations.
id IFAM-1_b9f6e091a8a4e20b3678c70a0ec47c88
oai_identifier_str oai:localhost:4321/1035
network_acronym_str IFAM-1
network_name_str Repositório Institucional do IFAM (Repositório Institucional do Instituto Federal do Amazonas)
repository_id_str
spelling Implementação do método de regressão logística na classificação de exames por espectrometria de massa quanto à presença de câncer do ovárioRegressão logísticaCâncer de ovárioRede neuralCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIAThis work aims to implement the logistic regression method, a simple 01 single-layer Artificial Neural Network, to classify the results of mass spectrometry exams in 02 diagnosis classes: with or without ovarian cancer. An “OvarianInputs” database was used with data from 216 patients examined with ion intensities corresponding to 100 specific load-mass values and the “OvarianTargets” database with diagnostic results for network training purposes neural. The k-fold cross validation was used in 5 randomized folders to assess the average accuracy of the model. The confusion matrix obtained from the classification of the elements of the test set of each folder was used. The algorithm responsible for this implementation was developed using Python language libraries and compared with the results obtained from the mathematical formulation of the model in MATLAB software, reaching an average accuracy of 93.03% in both implementations.Este trabalho tem como objetivo implementar o método de regressão logística, uma rede neural simples de 01 única camada, para classificar os resultados dos exames de espectrometria de massa em 02 classes de diagnostico: com ou sem câncer de ovário. Foi utilizada uma base de dados “ovarianInputs” com os dados de 216 pacientes examinados com intensidades de íons correspondentes a 100 valores específicos de carga-massa, assim como a base de dados “ovarianTargets” com os resultados do diagnostico para fins de treinamento da rede neural (aprendizado supervisionado). Foi utilizado o método k-fold em 5 pastas randomizadas para a avaliação da acurácia média do modelo. Utilizou-se a matriz de confusão obtida a partir da classificação dos elementos do conjunto de teste de cada pasta. O algoritmo responsável por essa implementação foi desenvolvido utilizando as bibliotecas da linguagem Python e os resultados foram comparados com os resultados obtidos a partir da formulação matemática do modelo no software MATLAB, alcançando uma acurácia média de 93,03% em ambas as implementações.BrasilCampus Manaus DistritoInstituto Federal do AmazonasIFAMEngenharia de Controle e AutomaçãoInstituto Federal do AmazonasIFAMEngenharia de Controle e AutomaçãoInstituto Federal do AmazonasIFAMEngenharia de Controle e AutomaçãoSantos, Alyson de Jesus dosSantos, Alyson de Jesus dosNeves, João Paulo Santa Rita2022-10-19T14:41:35Z2022-10-192022-10-19T14:41:35Z2022-04-07info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisNeves, João Paulo Santa Rita. Implementação do método de regressão logística na classificação de exames por espectrometria de massa quanto à presença de câncer do ovário. Manaus. 2021. 76 f. Monografia. (Graduação em Engenharia de Controle e Automação) - Instituto Federal de Educação, Ciência e Tecnologia do Amazonas, Campus Manaus Distrito Industrial, Manaus, 2021.http://repositorio.ifam.edu.br/jspui/handle/4321/1035porA, Agresti. Categorical Data Analysis. 2a ed. New York: John Wiley Sons, 2002. BARRETO, J. Introdução às Redes Neurais Artificiais. Laboratório de Conexionismo e Ciências Cognitivas -Universidade Federal de Santa Catarina, 2002. 17, 18. BORRA; CIACCIO. Measuring the prediction error. A comparison of cross-validation, bootstrap and covariance penalty methods. Computacional Statistics and Data Analysis, 54:2976-2989. BRAGA A.; CARVALHO, A. Redes Neurais Artificiais: Teoria e Aplicações. Rio de Janeiro: LTC, 2000. 237 p. 17, 24, 25“Câncer de Ovário,” 2021. Acessado em 06 de junho de 2021. [Online]. Disponível em: . “Câncer de ovário é o mais agressivo dentre os tumores ginecológicos e requer atenção” 2021. Acessado em: 05 de junho de 2021. [Online]. Disponível em: http://www.fcecon.am.gov.br/cancer-de-ovario-e-o-mais-agressivo-dentre-os-tumores-ginecologicos-e-requer-atencao-alerta-fcecon/. CARVALHO, P. C. et al. Serum markers and mass spectrometry in the diagnosis of cancer, Jornal Brasileiro de Patologia e Medicina Laboratorial, 2006, https://doi.org/10.1590/S1676-24442006000600005. CARVALHO, P. C. et al. Detection of potential serum molecular markers for Hodgkin's disease. J Bras Patol Med Lab, v. 41, n. 3, p. 99-103, 2005. CARVALHO, P. C. Reconhecimento de padrões proteômicos e genômicos por aprendizagem de máquinas para o diagnóstico médico, 2006. Tese (Mestrado) Departamento de Biologia Celular e Molecular do Instituto Oswaldo Cruz, Rio de Janeiro. CHAND, H. S.; NESS, S. A.; KISIEL, W. Identification of a novel human tissue factor splice variant that is upregulated in tumor cells. Int J Cancer, v. 118, n. 7, p. 1713-20, 2005. 65 CONRADS, T. P. et al. Cancer diagnosis using proteomic patterns. Expert Rev Mol Diagn, v. 3, n. 4, p. 411-20, 2003. D. Hosmer e S. Lemeshow. Applied Logistic Regression. 2a ed. New York: John Wiley Sons, 2000. DIAMANDIS, E. P.; VAN DER MERWE, D. E. Plasma protein profiling by mass spectrometry for cancer diagnosis: opportunities and limitations. Clin Cancer Res, v. 11, n. 3, p. 963-5, 2005. DOUGLAS, 2019. ML – Métricas de Avaliação. Acessado em: agosto de 2021. [Online]. Disponível em: https://medium.com/@douglasheberteempty/ml-m%C3%A9tricas-de-classifica%C3%A7%C3%A3o-97f57b27f61c. ECHAN, L. A. et al. Depletion of multiple high-abundance proteins improves protein profiling capacities of human serum and plasma. Proteomics, v. 5, n. 13, p. 3292-303, 2005.“Estatística para câncer de ovário,” 2020. Acessado em: 09 de junho de 2021. [Online]. Disponível em: http://www.oncoguia.org.br/conteudo/estatistica-para-cancer-de-ovario/6045/228/. FENN, J. B. et al. Electrospray ionization for mass spectrometry of large biomolecules. Science, v. 246, n. 4926, p. 64-71, 1989. FLECK, L. Redes Neurais Artificiais: Princípios Básicos. Revista Eletrônica Científica Inovação e Tecnologia -Universidade Tecnológica Federal do Paraná, 2016. 16 FREITAS, G. A. L. Aprendizagem Profunda Aplicada ao Futebol de Robôs: Uso de Rede Neurais Convolucionais para Detecção de Objetos, Dissertação. Londrina, 2019. FILIPOWICZ, W. et al. Post-transcriptional gene silencing by siRNAs and miRNAs. Curr Opin Struct Biol, v. 15, n. 3, p. 331-41, 2005. 66 Godbole S., Sarawagi S. (2004). Discriminative Methods for Multi-labeled Classification. In: Dai H., Srikant R., Zhang C. (eds) Advances in Knowledge Discovery and Data Mining. PAKDD 2004. Lecture Notes in Computer Science, vol 3056. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-24775-3_5. GRONBORG, M. et al. Biomarker discovery from pancreatic cancer secretome using a differential proteomics approach. Mol Cell Proteomics, v. 5, p. 157-71, 2005. GURNEY, K. An Introduction to Neural Networks. London: UCL Press, 1997. 316 p.17. HAYKIN, S. Neural Networks: A Comprehensive Foundation. Ontario: Pearson Education, 1998. 818 p. 17, 19, 20, 21, 22, 23, 24, 25. KAUFMANN, R. Matrix-assisted laser desorption ionization (MALDI) mass spectrometry: a novel analytical tool in molecular biology and biotechnology, Journal of Biotechnology, Volume 41, Issues 2–3, 1995, Pages 155-175, ISSN 0168-1656, https://doi.org/10.1016/0168-1656(95)00009-F. KARAS M. et al. Matrix-assisted ultraviolet laser desorption of non-volatile compounds. International Journal of Mass Spectrometry and Ion Processes, v. 78, p. 53-68, 1987. KHAN, S. A Guide to Convolutional Neural Networks for Computer Vision. Crawley: Morgan Claypool, 2018. 184 p. 16, 24, 28, 29, 30, 31, 32, 33. KRUEGER-BECK, E. Potencial de ação: do estímulo à adaptação neural. Fisioter. Mov., Curitiba, v. 24, n. 3, p. 535-547, 2011. 18. M. Douglas C. Applied statistics and probability for engineers. John Wiley Sons, Inc, 2002. M. Hajmeera and I. Basheerb, Comparison of logistic regression and neural network-based classifiers for bacterial growth in Food Microbiology, Elsevier, 2003. 67 “Matplotlib: Visualization with Python,” 2021. Accessed on: May. 05, 2021. [Online]. Available: https://matplotlib.org/stable/index.html. “Numpy: About Us,” 2020. Accessed on: May. 05, 2021. [Online]. Available: https://numpy.org/about/. Oncoguia, 2020. Maioria das brasileiras é diagnosticada com câncer de ovário já avançado. Acessado em: julho de 2021. [Online]. Disponível em: .Oncomed, 2020. Câncer de Ovário. Acessado em: julho de 2021.[Online]. Disponível em: https://www.oncomed.com.br/artigo-cancer-ovario. P. Mesquita. UM MODELO DE REGRESSAO LOGISTICA PARA AVALIACAO DOS PROGRAMAS DE POS-GRADUACAO ̃NO BRASIL. Dissertacao. JCAMPOS DOS GOYTACAZES, 2014. S. Godbole and S. Sarawagi, Discriminative methods for multi-labeled classification, in Pacific-Asia conference on knowledge discovery and data mining. Springer, 2004. S. Borra e A. Di Ciaccio. “Measuring the prediction error. A comparison of cross-validation, bootstrap and co-variance penalty methods”. Em: Computational Statistics Data Analysis 154 (2010), pp. 2976–2989. URL: https: www.sciencedirect.com / science / article / abs / pii / S0167947310001064. “Scikit-learn”. Shufflesplit. Acessado em: julho de 2021. [Online]. Disponível em: https://scikit-learn.org/. ”Tensorflow: An end-to-end open source machine learning platform,”2021. Accessed on: May. 07, 2021. [Online]. Available: https://www.tensorflow.org/. ”Tensorflow: tf.keras.losses.binary crossentropy,”2021. Accessed on: May. 07, 2021. [Online]. Available: https://www.tensorflow.org/api. Adriana M. Tonini e Bráulio R.G.M. Couto, "Ensinando Geometria Analítica com uso do MATLAB," Departamento de Ciências Exatas e Tecnologia do Centro Universitário de Belo Horizonte / DECET - UniBH. 68 V. Gevert, A. Silva, F. Gevert e V. Ales. “Modelos de Regressão Logística, Redes Neurais e Support Vector Machine (SVMs) na Análise de Crédito a Pessoas Jurídicas”. Em: Revista Ciências Exatas e Naturais 12 (2010), pp. 270–293. VESTAL, M. L. Methods of ion generation. Chem Rev, v. 101, n. 2, p. 361-75, 2001. ”Visualizing cross-validation behavior in scikitlearn”2021.info:eu-repo/semantics/openAccessreponame:Repositório Institucional do IFAM (Repositório Institucional do Instituto Federal do Amazonas)instname:Instituto Federal do Amazonas (IFAM)instacron:IFAM2022-10-19T14:41:35Zoai:localhost:4321/1035Repositório InstitucionalPUBhttp://repositorio.ifam.edu.br/oai/requestcgeb@ifam.edu.bropendoar:2022-10-19T14:41:35Repositório Institucional do IFAM (Repositório Institucional do Instituto Federal do Amazonas) - Instituto Federal do Amazonas (IFAM)false
dc.title.none.fl_str_mv Implementação do método de regressão logística na classificação de exames por espectrometria de massa quanto à presença de câncer do ovário
title Implementação do método de regressão logística na classificação de exames por espectrometria de massa quanto à presença de câncer do ovário
spellingShingle Implementação do método de regressão logística na classificação de exames por espectrometria de massa quanto à presença de câncer do ovário
Neves, João Paulo Santa Rita
Regressão logística
Câncer de ovário
Rede neural
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA
title_short Implementação do método de regressão logística na classificação de exames por espectrometria de massa quanto à presença de câncer do ovário
title_full Implementação do método de regressão logística na classificação de exames por espectrometria de massa quanto à presença de câncer do ovário
title_fullStr Implementação do método de regressão logística na classificação de exames por espectrometria de massa quanto à presença de câncer do ovário
title_full_unstemmed Implementação do método de regressão logística na classificação de exames por espectrometria de massa quanto à presença de câncer do ovário
title_sort Implementação do método de regressão logística na classificação de exames por espectrometria de massa quanto à presença de câncer do ovário
author Neves, João Paulo Santa Rita
author_facet Neves, João Paulo Santa Rita
author_role author
dc.contributor.none.fl_str_mv Santos, Alyson de Jesus dos
Santos, Alyson de Jesus dos
dc.contributor.author.fl_str_mv Neves, João Paulo Santa Rita
dc.subject.por.fl_str_mv Regressão logística
Câncer de ovário
Rede neural
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA
topic Regressão logística
Câncer de ovário
Rede neural
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA
description This work aims to implement the logistic regression method, a simple 01 single-layer Artificial Neural Network, to classify the results of mass spectrometry exams in 02 diagnosis classes: with or without ovarian cancer. An “OvarianInputs” database was used with data from 216 patients examined with ion intensities corresponding to 100 specific load-mass values and the “OvarianTargets” database with diagnostic results for network training purposes neural. The k-fold cross validation was used in 5 randomized folders to assess the average accuracy of the model. The confusion matrix obtained from the classification of the elements of the test set of each folder was used. The algorithm responsible for this implementation was developed using Python language libraries and compared with the results obtained from the mathematical formulation of the model in MATLAB software, reaching an average accuracy of 93.03% in both implementations.
publishDate 2022
dc.date.none.fl_str_mv 2022-10-19T14:41:35Z
2022-10-19
2022-10-19T14:41:35Z
2022-04-07
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv Neves, João Paulo Santa Rita. Implementação do método de regressão logística na classificação de exames por espectrometria de massa quanto à presença de câncer do ovário. Manaus. 2021. 76 f. Monografia. (Graduação em Engenharia de Controle e Automação) - Instituto Federal de Educação, Ciência e Tecnologia do Amazonas, Campus Manaus Distrito Industrial, Manaus, 2021.
http://repositorio.ifam.edu.br/jspui/handle/4321/1035
identifier_str_mv Neves, João Paulo Santa Rita. Implementação do método de regressão logística na classificação de exames por espectrometria de massa quanto à presença de câncer do ovário. Manaus. 2021. 76 f. Monografia. (Graduação em Engenharia de Controle e Automação) - Instituto Federal de Educação, Ciência e Tecnologia do Amazonas, Campus Manaus Distrito Industrial, Manaus, 2021.
url http://repositorio.ifam.edu.br/jspui/handle/4321/1035
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv A, Agresti. Categorical Data Analysis. 2a ed. New York: John Wiley Sons, 2002. BARRETO, J. Introdução às Redes Neurais Artificiais. Laboratório de Conexionismo e Ciências Cognitivas -Universidade Federal de Santa Catarina, 2002. 17, 18. BORRA; CIACCIO. Measuring the prediction error. A comparison of cross-validation, bootstrap and covariance penalty methods. Computacional Statistics and Data Analysis, 54:2976-2989. BRAGA A.; CARVALHO, A. Redes Neurais Artificiais: Teoria e Aplicações. Rio de Janeiro: LTC, 2000. 237 p. 17, 24, 25“Câncer de Ovário,” 2021. Acessado em 06 de junho de 2021. [Online]. Disponível em: . “Câncer de ovário é o mais agressivo dentre os tumores ginecológicos e requer atenção” 2021. Acessado em: 05 de junho de 2021. [Online]. Disponível em: http://www.fcecon.am.gov.br/cancer-de-ovario-e-o-mais-agressivo-dentre-os-tumores-ginecologicos-e-requer-atencao-alerta-fcecon/. CARVALHO, P. C. et al. Serum markers and mass spectrometry in the diagnosis of cancer, Jornal Brasileiro de Patologia e Medicina Laboratorial, 2006, https://doi.org/10.1590/S1676-24442006000600005. CARVALHO, P. C. et al. Detection of potential serum molecular markers for Hodgkin's disease. J Bras Patol Med Lab, v. 41, n. 3, p. 99-103, 2005. CARVALHO, P. C. Reconhecimento de padrões proteômicos e genômicos por aprendizagem de máquinas para o diagnóstico médico, 2006. Tese (Mestrado) Departamento de Biologia Celular e Molecular do Instituto Oswaldo Cruz, Rio de Janeiro. CHAND, H. S.; NESS, S. A.; KISIEL, W. Identification of a novel human tissue factor splice variant that is upregulated in tumor cells. Int J Cancer, v. 118, n. 7, p. 1713-20, 2005. 65 CONRADS, T. P. et al. Cancer diagnosis using proteomic patterns. Expert Rev Mol Diagn, v. 3, n. 4, p. 411-20, 2003. D. Hosmer e S. Lemeshow. Applied Logistic Regression. 2a ed. New York: John Wiley Sons, 2000. DIAMANDIS, E. P.; VAN DER MERWE, D. E. Plasma protein profiling by mass spectrometry for cancer diagnosis: opportunities and limitations. Clin Cancer Res, v. 11, n. 3, p. 963-5, 2005. DOUGLAS, 2019. ML – Métricas de Avaliação. Acessado em: agosto de 2021. [Online]. Disponível em: https://medium.com/@douglasheberteempty/ml-m%C3%A9tricas-de-classifica%C3%A7%C3%A3o-97f57b27f61c. ECHAN, L. A. et al. Depletion of multiple high-abundance proteins improves protein profiling capacities of human serum and plasma. Proteomics, v. 5, n. 13, p. 3292-303, 2005.“Estatística para câncer de ovário,” 2020. Acessado em: 09 de junho de 2021. [Online]. Disponível em: http://www.oncoguia.org.br/conteudo/estatistica-para-cancer-de-ovario/6045/228/. FENN, J. B. et al. Electrospray ionization for mass spectrometry of large biomolecules. Science, v. 246, n. 4926, p. 64-71, 1989. FLECK, L. Redes Neurais Artificiais: Princípios Básicos. Revista Eletrônica Científica Inovação e Tecnologia -Universidade Tecnológica Federal do Paraná, 2016. 16 FREITAS, G. A. L. Aprendizagem Profunda Aplicada ao Futebol de Robôs: Uso de Rede Neurais Convolucionais para Detecção de Objetos, Dissertação. Londrina, 2019. FILIPOWICZ, W. et al. Post-transcriptional gene silencing by siRNAs and miRNAs. Curr Opin Struct Biol, v. 15, n. 3, p. 331-41, 2005. 66 Godbole S., Sarawagi S. (2004). Discriminative Methods for Multi-labeled Classification. In: Dai H., Srikant R., Zhang C. (eds) Advances in Knowledge Discovery and Data Mining. PAKDD 2004. Lecture Notes in Computer Science, vol 3056. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-24775-3_5. GRONBORG, M. et al. Biomarker discovery from pancreatic cancer secretome using a differential proteomics approach. Mol Cell Proteomics, v. 5, p. 157-71, 2005. GURNEY, K. An Introduction to Neural Networks. London: UCL Press, 1997. 316 p.17. HAYKIN, S. Neural Networks: A Comprehensive Foundation. Ontario: Pearson Education, 1998. 818 p. 17, 19, 20, 21, 22, 23, 24, 25. KAUFMANN, R. Matrix-assisted laser desorption ionization (MALDI) mass spectrometry: a novel analytical tool in molecular biology and biotechnology, Journal of Biotechnology, Volume 41, Issues 2–3, 1995, Pages 155-175, ISSN 0168-1656, https://doi.org/10.1016/0168-1656(95)00009-F. KARAS M. et al. Matrix-assisted ultraviolet laser desorption of non-volatile compounds. International Journal of Mass Spectrometry and Ion Processes, v. 78, p. 53-68, 1987. KHAN, S. A Guide to Convolutional Neural Networks for Computer Vision. Crawley: Morgan Claypool, 2018. 184 p. 16, 24, 28, 29, 30, 31, 32, 33. KRUEGER-BECK, E. Potencial de ação: do estímulo à adaptação neural. Fisioter. Mov., Curitiba, v. 24, n. 3, p. 535-547, 2011. 18. M. Douglas C. Applied statistics and probability for engineers. John Wiley Sons, Inc, 2002. M. Hajmeera and I. Basheerb, Comparison of logistic regression and neural network-based classifiers for bacterial growth in Food Microbiology, Elsevier, 2003. 67 “Matplotlib: Visualization with Python,” 2021. Accessed on: May. 05, 2021. [Online]. Available: https://matplotlib.org/stable/index.html. “Numpy: About Us,” 2020. Accessed on: May. 05, 2021. [Online]. Available: https://numpy.org/about/. Oncoguia, 2020. Maioria das brasileiras é diagnosticada com câncer de ovário já avançado. Acessado em: julho de 2021. [Online]. Disponível em: .Oncomed, 2020. Câncer de Ovário. Acessado em: julho de 2021.[Online]. Disponível em: https://www.oncomed.com.br/artigo-cancer-ovario. P. Mesquita. UM MODELO DE REGRESSAO LOGISTICA PARA AVALIACAO DOS PROGRAMAS DE POS-GRADUACAO ̃NO BRASIL. Dissertacao. JCAMPOS DOS GOYTACAZES, 2014. S. Godbole and S. Sarawagi, Discriminative methods for multi-labeled classification, in Pacific-Asia conference on knowledge discovery and data mining. Springer, 2004. S. Borra e A. Di Ciaccio. “Measuring the prediction error. A comparison of cross-validation, bootstrap and co-variance penalty methods”. Em: Computational Statistics Data Analysis 154 (2010), pp. 2976–2989. URL: https: www.sciencedirect.com / science / article / abs / pii / S0167947310001064. “Scikit-learn”. Shufflesplit. Acessado em: julho de 2021. [Online]. Disponível em: https://scikit-learn.org/. ”Tensorflow: An end-to-end open source machine learning platform,”2021. Accessed on: May. 07, 2021. [Online]. Available: https://www.tensorflow.org/. ”Tensorflow: tf.keras.losses.binary crossentropy,”2021. Accessed on: May. 07, 2021. [Online]. Available: https://www.tensorflow.org/api. Adriana M. Tonini e Bráulio R.G.M. Couto, "Ensinando Geometria Analítica com uso do MATLAB," Departamento de Ciências Exatas e Tecnologia do Centro Universitário de Belo Horizonte / DECET - UniBH. 68 V. Gevert, A. Silva, F. Gevert e V. Ales. “Modelos de Regressão Logística, Redes Neurais e Support Vector Machine (SVMs) na Análise de Crédito a Pessoas Jurídicas”. Em: Revista Ciências Exatas e Naturais 12 (2010), pp. 270–293. VESTAL, M. L. Methods of ion generation. Chem Rev, v. 101, n. 2, p. 361-75, 2001. ”Visualizing cross-validation behavior in scikitlearn”2021.
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Brasil
Campus Manaus Distrito
Instituto Federal do Amazonas
IFAM
Engenharia de Controle e Automação
Instituto Federal do Amazonas
IFAM
Engenharia de Controle e Automação
Instituto Federal do Amazonas
IFAM
Engenharia de Controle e Automação
publisher.none.fl_str_mv Brasil
Campus Manaus Distrito
Instituto Federal do Amazonas
IFAM
Engenharia de Controle e Automação
Instituto Federal do Amazonas
IFAM
Engenharia de Controle e Automação
Instituto Federal do Amazonas
IFAM
Engenharia de Controle e Automação
dc.source.none.fl_str_mv reponame:Repositório Institucional do IFAM (Repositório Institucional do Instituto Federal do Amazonas)
instname:Instituto Federal do Amazonas (IFAM)
instacron:IFAM
instname_str Instituto Federal do Amazonas (IFAM)
instacron_str IFAM
institution IFAM
reponame_str Repositório Institucional do IFAM (Repositório Institucional do Instituto Federal do Amazonas)
collection Repositório Institucional do IFAM (Repositório Institucional do Instituto Federal do Amazonas)
repository.name.fl_str_mv Repositório Institucional do IFAM (Repositório Institucional do Instituto Federal do Amazonas) - Instituto Federal do Amazonas (IFAM)
repository.mail.fl_str_mv cgeb@ifam.edu.br
_version_ 1844172203049877504

Similar Items