( en | de | ru )

 

Disambiguierung von "Miholca, Diana-Lucia"

Autor der Publikation

KopierenLöschenDiese Publikation zur Ablage hinzufügen
Machine Learning Based Approaches for Sex Identification in Bioarchaeology.

, , , und . SYNASC, Seite 311-314. IEEE, (2016)

Bitte wählen Sie eine Person um die Publikation zuzuordnen

Um zwischen Personen mit demselben Namen zu unterscheiden, wird der akademische Grad und der Titel einer wichtigen Publikation angezeigt. Zudem lassen sich über den Button neben dem Namen einige der Person bereits zugeordnete Publikationen anzeigen.

Lucia Diana Paul

Mahmud Dianati

Annie Luciani

Fabio Luciani

Etienne Luciani

 

Weitere Publikationen von Autoren mit dem selben Namen

Source-Code Embedding-Based Software Defect Prediction., und . ICSOFT, Seite 185-196. SCITEPRESS, (2023)New Conceptual Cohesion Metrics: Assessment for Software Defect Prediction.. SYNASC, Seite 163-170. IEEE, (2021)A novel approach for software defect prediction through hybridizing gradual relational association rules with artificial neural networks., , und . Inf. Sci., (2018)An analysis of aggregated coupling's suitability for software defect prediction., und . SYNASC, Seite 141-148. IEEE, (2020)COMET: A conceptual coupling based metrics suite for software defect prediction., , und . KES, Volume 176 von Procedia Computer Science, Seite 31-40. Elsevier, (2020)Software Defect Prediction Using a Hybrid Model Based on Semantic Features Learned from the Source Code., und . KSEM (1), Volume 11775 von Lecture Notes in Computer Science, Seite 262-274. Springer, (2019)On the Relevance of Graph2Vec Source Code Embeddings for Software Defect Prediction., und . ICSOFT (Selected Papers), Volume 2104 von Communications in, Seite 124-154. Springer, (2023)DynGRAR: A dynamic approach to mining gradual relational association rules., und . KES, Volume 159 von Procedia Computer Science, Seite 10-19. Elsevier, (2019)An Unsupervised Learning Based Conceptual Coupling Measure., , , und . SYNASC, Seite 247-254. IEEE Computer Society, (2017)Detecting depression from fMRI using relational association rules and artificial neural networks., und . ICCP, Seite 85-92. IEEE, (2017)