id int64 18 21.1k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 16:54:39 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 16:54:39 | doc_name stringclasses 1 value | input stringlengths 11 9.24k | output stringlengths 0 738 | is_personal bool 2 classes | is_sentence bool 2 classes | is_corrected bool 2 classes |
|---|---|---|---|---|---|---|---|---|
1,107 | 2026-02-23T10:53:03.903000Z | 2026-02-23T10:53:03.903000Z | Lec. | Таким образом, nnU-Net обладает высоким потенциалом для клинического применения, но её использование должно быть строго контролируемым, выступая как вспомогательный инструмент для ускорения работы врачей, а не заменяя их экспертное мнение | false | true | false | |
1,106 | 2026-02-23T10:53:02.090000Z | 2026-02-23T17:53:07.891000Z | Lec. | Это включает определение случаев, в которых автоматическая разметка может применяться без изменений, а также ситуаций, требующих ручной корректировки | Это включает определение случаев, в которых автоматическая разметка может применяться без изменений, а также ситуации, требующие ручной корректировки | false | true | true |
1,105 | 2026-02-23T10:53:00.436000Z | 2026-02-23T18:13:14.989000Z | Lec. | Кроме того, требуется разработка четкого протокола взаимодействия, который регламентирует использование модели врачами | Кроме того, требуется разработка четкого протокола взаимодействия, который регламентирует использование модели врачами. | false | true | true |
1,104 | 2026-02-23T10:52:58.727000Z | 2026-02-23T16:28:30.490000Z | Lec. | Это позволит убедиться в её стабильности и универсальности | Это позволит убедиться в ее стабильности и универсальности | false | true | true |
1,103 | 2026-02-23T10:52:57.013000Z | 2026-02-23T10:52:57.013000Z | Lec. | В первую очередь, важно протестировать модель на КТ-изображениях из различных медицинских учреждений, учитывая вариативность сканеров и протоколов съемки | false | true | false | |
1,102 | 2026-02-23T10:52:55.373000Z | 2026-02-23T13:45:17.113000Z | Lec. | Перед внедрением модели в клиническую практику необходимо провести дополнительные исследования, направленные на оценку её надежности и адаптации к реальным условиям | Перед внедрением модели в клиническую практику необходимо провести дополнительные исследования, направленные на оценку ее надежности и адаптации к реальным условиям. | false | true | true |
1,101 | 2026-02-23T10:52:53.649000Z | 2026-02-23T10:52:53.649000Z | Lec. | Врач должен выступать в роли финального эксперта, проверяющего и, при необходимости, корректирующего результаты сегментации | false | true | false | |
1,100 | 2026-02-23T10:52:51.804000Z | 2026-02-23T15:40:05.185000Z | Lec. | Разработанная модель сегментации на основе nnU-Net обладает высокой точностью, однако в медицинской практике даже небольшие ошибки могут иметь критические последствия, поэтому её использование должно происходить исключительно под контролем специалистов | Разработанная модель сегментации на основе nnUNet обладает высокой точностью, однако в медицинской практике даже небольшие ошибки могут иметь критические последствия, поэтому ее использование должно происходить исключительно под контролем специалистов | false | true | true |
1,099 | 2026-02-23T10:52:50.143000Z | 2026-02-23T13:40:33Z | Lec. | Всего для полного обучения модели потребовалось 14 часов | Для полного обучения модели потребовалось 14 часов. | false | true | true |
1,098 | 2026-02-23T10:52:48.430000Z | 2026-02-23T10:52:48.430000Z | Lec. | Продолжительность обучения одной эпохи составляла приблизительно 400 секунд | false | true | false | |
1,097 | 2026-02-23T10:52:46.694000Z | 2026-02-23T16:07:26.321000Z | Lec. | Рис.1 График обучения модели | Рис.1 - График обучения модели | false | true | true |
1,096 | 2026-02-23T10:52:44.832000Z | 2026-02-23T10:52:44.832000Z | Lec. | Наилучший результат, зафиксированный на тестовой выборке по выбранной метрике, составил 0.93 | false | true | false | |
1,095 | 2026-02-23T10:52:43.250000Z | 2026-02-23T10:52:43.250000Z | Lec. | Обучение модели происходило в течение 130 эпох (Рис. 1) | false | true | false | |
1,094 | 2026-02-23T10:52:41.506000Z | 2026-02-23T10:52:41.506000Z | Lec. | В случае медицинской сегментации важно, чтобы метрику было легко проинтерпретировать, поэтому мы используем метрику Pseudo Dice: | false | true | false | |
1,093 | 2026-02-23T10:52:39.948000Z | 2026-02-23T13:50:31.497000Z | Lec. | Не менее важной частью обучения является выбор метрики качества, которая показывает, насколько точно модель решает, поставленную задачу | Не менее важной частью обучения является выбор метода оценки качества, который показывает, насколько точно модель решает поставленную задачу | false | true | true |
1,092 | 2026-02-23T10:52:38.315000Z | 2026-02-23T10:52:38.315000Z | Lec. | В качестве функции потери в нашей модели используется комбинация Dice и кросс-энтропии:. = 1 - | false | true | false | |
1,091 | 2026-02-23T10:52:36.768000Z | 2026-02-23T10:52:36.768000Z | Lec. | Самым важным аспектом при обучении модели является выбор функции потерь, поскольку от нее зависит, насколько хорошо алгоритм оптимизирует веса | false | true | false | |
1,090 | 2026-02-23T10:52:34.997000Z | 2026-02-23T13:30:31.979000Z | Lec. | ОБУЧЕНИЕ МОДЕЛИ | ОБУЧЕНИЕ МОДЕЛИ | false | true | true |
1,089 | 2026-02-23T10:52:33.210000Z | 2026-02-23T18:01:58.721000Z | Lec. | Последним шагом в предобработке данных является нормализация интенсивностей, которая выполняется с помощью метода z-score | Последним шагом в предобработке данных является нормализация интенсивностей, которая выполняется с помощью метода z-score. | false | true | true |
1,088 | 2026-02-23T10:52:31.577000Z | 2026-02-23T13:28:46.288000Z | Lec. | В качестве метода ресемплинга используется трилинейная интерполяция | В качестве метода ресемплинга используется трилинейная интерполирование. | false | true | true |
1,087 | 2026-02-23T10:52:29.782000Z | 2026-02-23T10:52:29.782000Z | Lec. | Размеры вокселя или пикселя могут различаться между разными томографами, поэтому изображения необходимо привести к единому разрешению | false | true | false | |
1,086 | 2026-02-23T10:52:28.108000Z | 2026-02-23T16:42:33.946000Z | Lec. | Далее проводится процедура ресемплинга | Далее проводится процедура ресемплинга. | false | true | true |
1,085 | 2026-02-23T10:52:26.578000Z | 2026-02-23T13:27:31.670000Z | Lec. | Это позволяет снизить вычислительную нагрузку при обучении модели, а также сфокусироваться на наиболее информативной для сегментации части изображения | Это позволяет снизить вычислительную нагрузку при обучении модели. А также сфокусироваться на наиболее информативной части изображения для сегментации. | false | true | true |
1,084 | 2026-02-23T10:52:24.757000Z | 2026-02-23T10:52:24.757000Z | Lec. | На первом этапе происходит обрезка каждого изображения до региона интереса, в котором содержится минимальное количество фоновых пикселей | false | true | false | |
1,083 | 2026-02-23T10:52:23.192000Z | 2026-02-23T17:23:02.137000Z | Lec. | Предобработка изображений является частью автоматизированного конвейера сегментации, поэтому пользователь никак не может вмешиваться в этот процесс | Предобработка изображений является частью автоматизированного конвейера сегментации. Пользователь в этот процесс не может вмешаться. | false | true | true |
1,082 | 2026-02-23T10:52:21.534000Z | 2026-02-23T10:52:21.534000Z | Lec. | Данные были разделены на 5 частей для проведения кросс-валидации | false | true | false | |
1,081 | 2026-02-23T10:52:19.303000Z | 2026-02-23T13:25:25.526000Z | Lec. | Разметка состояла из 3 масок: аорты, сердца, легочной артерии и её ветвей | Разметка состояла из 3 масок: аорты, сердца и легочной артерии с ее ветвями | false | true | true |
1,080 | 2026-02-23T10:52:17.669000Z | 2026-02-23T13:40:46.117000Z | Lec. | В качестве исходных данных был использован размеченный датасет из 194 снимков КТ с размерами 512x512 пикселей | В качестве исходных данных был использован размеченный датасет из 194 снимков КТ с разрешением 512x512 пикселей | false | true | true |
1,079 | 2026-02-23T10:52:15.559000Z | 2026-02-23T10:52:15.559000Z | Lec. | ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ | false | true | false | |
1,078 | 2026-02-23T10:52:14.027000Z | 2026-02-23T10:52:14.027000Z | Lec. | Это позволяет nnU-Net демонстрировать хорошие результаты на различных медицинских наборах данных, превосходя другие подходы в плане обобщающей способности и простоты применения на практике | false | true | false | |
1,077 | 2026-02-23T10:52:12.229000Z | 2026-02-23T10:52:12.229000Z | Lec. | Особое место среди автоматизированных решений занимает фреймворк nnU-Net, который был представлен как универсальный фреймворк, способный автоматически адаптировать архитектуру сети и стратегию предобработки данных под конкретные задачи медицинской сегментации [4] | false | true | false | |
1,076 | 2026-02-23T10:52:10.320000Z | 2026-02-23T10:52:10.320000Z | Lec. | Ещё одним значимым решением стала архитектура DeepMedic, в которой реализован многомасштабный анализ, позволяющий учитывать разнородность медицинских данных, что является важным преимуществом в задачах медицинской сегментации [3] | false | true | false | |
1,075 | 2026-02-23T10:52:08.456000Z | 2026-02-23T16:31:37.868000Z | Lec. | В архитектуре V-Net применяются 3D-свертки и функция потерь Dice, что позволяет учитывать специфику медицинских задач и улучшает результаты сегментации трёхмерных объектов [2] | В архитектуре V-Net применяются 3D-свертки и функция потерь Dice, что позволяет учитывать специфику медицинских задач и улучшает результаты сегментации трёхмерных объектов.[2] | false | true | true |
1,074 | 2026-02-23T10:52:06.690000Z | 2026-02-23T10:52:06.690000Z | Lec. | Позднее были предложены различные модификации U-Net, такие как V-Net, разработанная специально для обработки объемных медицинских изображений | false | true | false | |
1,073 | 2026-02-23T10:52:04.941000Z | 2026-02-23T13:33:32.973000Z | Lec. | Данная архитектура отличается симметричной конструкцией и позволяет эффективно извлекать пространственные особенности изображений, что обеспечивает высокие показатели точности сегментации | Данная архитектура отличается симметричной конструкцией и позволяет эффективно извлекать пространственные особенности изображений, что обеспечивает высокие показатели точности сегментации. | false | true | true |
1,072 | 2026-02-23T10:52:03.140000Z | 2026-02-23T16:09:18.686000Z | Lec. | Одним из первых и наиболее распространенных методов стала архитектура U-Net, изначально предложенная для биомедицинских изображений [1] | Одним из первых и наиболее распространенных методов стала архитектура U-Net, изначально предложенная для биомедицинских изображений [1]. | false | true | true |
1,071 | 2026-02-23T10:52:01.341000Z | 2026-02-23T10:52:01.341000Z | Lec. | В современных подходах к сегментации сердца и аорты на КТ-снимках активно применяются модели глубокого обучения | false | true | false | |
1,070 | 2026-02-23T10:51:59.478000Z | 2026-02-23T13:41:00.233000Z | Lec. | ОБЗОР СУЩЕСТВУЮЩИХ РЕШЕНИЙ | ОБЗОР СУЩЕСТВУЮЩИХ РЕШЕНИЙ | false | true | true |
1,069 | 2026-02-23T10:51:57.738000Z | 2026-02-23T10:51:57.738000Z | Lec. | Целью данного исследования является разработка и апробация автоматизированного решения для сегментации сердца и аорты на снимках компьютерной томографии с использованием современного фреймворка глубокого обучения nnU-Net | false | true | false | |
1,068 | 2026-02-23T10:51:55.444000Z | 2026-02-23T10:51:55.444000Z | Lec. | Внедрение автоматизированных методов сегментации на основе глубокого обучения позволяет существенно ускорить процесс диагностики и повысить точность результатов | false | true | false | |
1,067 | 2026-02-23T10:51:53.535000Z | 2026-02-23T10:51:53.535000Z | Lec. | Однако ручная сегментация анатомических структур является трудоемкой и подверженной субъективным ошибкам задачей | false | true | false | |
1,066 | 2026-02-23T10:51:51.888000Z | 2026-02-23T13:30:00.313000Z | Lec. | Современные методы медицинской визуализации, такие как компьютерная томография (КТ), широко используются в диагностике сердечно-сосудистых заболеваний | Современные методы медицинской визуализации, такие как компьютерная томография (КТ), широко используются при диагностике сердечно-сосудистых заболеваний. | false | true | true |
1,065 | 2026-02-23T10:51:50.101000Z | 2026-02-23T10:51:50.101000Z | Lec. | Результатом семантической сегментации является карта, на которой выделены области объектов разных классов | false | true | false | |
1,064 | 2026-02-23T10:51:48.353000Z | 2026-02-23T10:51:48.353000Z | Lec. | Одной из ключевых задач компьютерного зрения является семантическая сегментация, которая направлена на классификацию каждого пикселя изображения в соответствии с заранее заданными категориями объектов | false | true | false | |
1,063 | 2026-02-23T10:51:46.588000Z | 2026-02-23T10:51:46.588000Z | Lec. | Данный процесс не ограничивается простым распознаванием объектов, а предполагает способность систем принимать решения и делать выводы на основе проанализированных данных | false | true | false | |
1,062 | 2026-02-23T10:51:44.954000Z | 2026-02-23T13:38:16.762000Z | Lec. | Computer Vision) - область искусственного интеллекта, направленная на разработку алгоритмов и систем, которые обеспечивают автоматический анализ и интерпретацию визуальной информации, включая изображения и видеоматериалы | Computer Vision) - область искусственного интеллекта, направленная на разработку алгоритмов и систем, которые обеспечивают автоматический анализ и интерпретацию визуальной информации, включая изображения и видеоматериалы. | false | true | true |
1,061 | 2026-02-23T10:51:43.185000Z | 2026-02-23T10:51:43.185000Z | Lec. | Компьютерное зрение (англ | false | true | false | |
1,060 | 2026-02-23T10:51:41.563000Z | 2026-02-23T13:30:53.902000Z | Lec. | Результатами данного исследования являются модель сегментации на основе нейронной сети и анализ применимости модели в клинической практике | Результатами данного исследования является модель сегментации на основе нейронной сети. Анализ применимости модели в клинической практике. | false | true | true |
1,059 | 2026-02-23T10:51:39.827000Z | 2026-02-23T13:34:49.770000Z | Lec. | В рамках экспериментов были использованы размеченные снимки КТ, предоставленные Медицинским институтом, ФГБО ВО Орловского государственного университета им | В рамках экспериментов были использованы размеченные снимки КТ, предоставленные Медицинским институтом, ФГБОУ ВО Орловского государственного университета имени | false | true | true |
1,058 | 2026-02-23T10:51:38.157000Z | 2026-02-23T16:24:50.337000Z | Lec. | В работе рассматривается применение автоматизированного фреймворка nnU-Net для сегментации сердца и аорты на снимках компьютерной томографии | В работе рассматривается применение автоматизированного фреймворка nnU-Net для сегментации сердца и аорты на снимках компьютерной томографии. | false | true | true |
1,057 | 2026-02-23T10:51:36.387000Z | 2026-02-23T10:51:36.387000Z | Lec. | Национальный исследовательский университет «Высшая школа экономики», департамент компьютерной инженерии МИЭМ НИУ ВШЭ | false | false | false | |
1,056 | 2026-02-23T10:51:34.711000Z | 2026-02-23T10:51:34.711000Z | Lec. | Перцев А.А., Нам В.С., Матиев М.М | true | false | false | |
1,055 | 2026-02-23T10:51:32.977000Z | 2026-02-23T13:38:45.900000Z | Lec. | ПРИМЕНЕНИЕ ФРЕЙМВОРКА nnU-Net ДЛЯ СЕГМЕНТАЦИИ СЕРДЦА И АОРТЫ НА СНИМКАХ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ | ПРИМЕНЕНИЕ ФРЕЙМВОРКА nnU-Net для сегментации сердца и аорты на снимках компьютерной томографии. | false | true | true |
1,054 | 2026-02-23T10:51:31.087000Z | 2026-02-23T17:28:31.976000Z | Lec. | Для решения задачи мультиклассификации для 2-го уровня ГРНТИ был составлен тренировочный датасет:. удалены экземпляры 207 классов ГРНТИ 2-ого уровня, которые имеют меньше 300 текстов;. удалены экземпляры датасета, текст для которых имеет меньше 10 символов | Для решения задачи мультиклассификации на 2-м уровне ГРНТИ был составлен тренировочный датасет. Удалены экземпляры 207 классов ГРНТИ 2-го уровня, которые имеют меньше 300 текстов. Удалены экземпляры датасета, текст для которых имеет меньше 10 символов. | false | true | true |
1,053 | 2026-02-23T10:51:29.340000Z | 2026-02-23T10:51:29.340000Z | Lec. | Ниже описан процесс обработки данных для дальнейшего обучения:. 1) Для каждой статьи из тренировочного датасета кодируются рубрики ГРНТИ 1-ого уровня числами от 0 до M-1, где M— число уникальных рубрик 2-ого уровня в тренировочных данных, сохраняем словарь, где ключи: рубрики ГРНТИ 2-ого уровня, а значения: кодировки рубрик. 2) Для каждой статьи из тренировочного датасета соединяем в одну строку через «[SEP]» название, аннотацию, ключевые слова, затем текст кодируется (применяется кодировщик BERT). 3) Из датасета удалены 11 классов ГРНТИ 1-ого уровня с наименьшим количеством экземпляров (меньше 600 текстов в рубрике);. 4) Удалены экземпляры датасета, текст для которых имеет меньше 10 символов | false | false | false | |
1,052 | 2026-02-23T10:51:27.166000Z | 2026-02-23T10:51:27.166000Z | Lec. | Было сделано предположение, что использование словаря сокращений ВИНИТИ РАН при подготовке текстов для классификации окажет позитивное влияние на качество предсказаний | false | true | false | |
1,051 | 2026-02-23T10:51:25.403000Z | 2026-02-23T17:21:28.443000Z | Lec. | Минимальная настройка гиперпараметров: AdamW обычно успешно работает с минимальной настройкой настроек по умолчанию, что упрощает процесс разработки модели | Минимальная настройка гиперпараметров: AdamW обычно успешно работает с минимальными настройками по умолчанию, что упрощает процесс разработки модели. | false | true | true |
1,050 | 2026-02-23T10:51:23.834000Z | 2026-02-23T16:49:18.006000Z | Lec. | Корпус текстов ВИНИТИ не сбалансирован по отношению к кодам ГРНТИ, в результате чего существует большое количество уникальных рубрик на каждом уровне (таб. 1) | Корпус текстов ВИНИТИ не сбалансирован по отношению к кодам ГРНТИ, в результате чего существует большое количество уникальных рубрик на каждом уровне (таб. 1). | false | true | true |
1,049 | 2026-02-23T10:51:22.078000Z | 2026-02-23T13:50:07.665000Z | Lec. | Среди самых востребованных моделей данной архитектуры следует выделить BERT (Bidirectional Encoder Representations from Transformers) [19] | Среди самых востребованных моделей данной архитектуры следует выделить BERT (Bidirectional Encoder Representations from Transformers) [19]. | false | true | true |
1,048 | 2026-02-23T10:51:20.451000Z | 2026-02-23T10:51:20.451000Z | Lec. | Layer normalization: слой нейросети, который нормализует выход из предшествующего слоя для каждой последовательности | false | true | false | |
1,047 | 2026-02-23T10:51:18.657000Z | 2026-02-23T10:51:18.657000Z | Lec. | Механизм внимания — определяет самые релевантные части входной последовательности для решения задачи; | false | true | false | |
1,046 | 2026-02-23T10:51:17.100000Z | 2026-02-23T10:51:17.100000Z | Lec. | В. “Человек внутренний” в языковой картине мира ФИ Тютчева (анализ словоупотребления душа и сердце) //Russian Literature. – 2005. – Т. 57. – №. 1-2. – С. 1-8. https://doi.org/10.1016/S0304-3479(04)00093-6. | false | false | false | |
1,045 | 2026-02-23T10:51:14.893000Z | 2026-02-23T10:51:14.893000Z | Lec. | Development of a novel U-shaped decomposer for enhanced hydrogen production via HI decomposition in the sulfur-iodine cycle https://doi.org/10.1016/j.ijhydene.2024.10.212. 2 | false | true | false | |
1,044 | 2026-02-23T10:51:12.936000Z | 2026-02-23T10:51:12.936000Z | Lec. | The Faiss library. 2025. | false | false | false | |
1,043 | 2026-02-23T10:51:11.014000Z | 2026-02-23T13:28:07.979000Z | Lec. | Douze M. et al | Douze M. et al. | false | true | true |
1,042 | 2026-02-23T10:51:09.189000Z | 2026-02-23T10:51:09.189000Z | Lec. | P. 5200—5209 | false | false | false | |
1,041 | 2026-02-23T10:51:07.740000Z | 2026-02-23T10:51:07.740000Z | Lec. | SGD: General Analysis and Improved Rates // Proc. 36th Int | false | false | false | |
1,040 | 2026-02-23T10:51:06.005000Z | 2026-02-23T10:51:06.005000Z | Lec. | Gower R.M. et al | false | true | false | |
1,039 | 2026-02-23T10:51:04.246000Z | 2026-02-23T15:54:28.359000Z | Lec. | Adam: A method for stochastic optimization // 3rd International Conference on Learning Representations (ICLR) - Conference Track Proceedings. 2015 | Adam: A method for stochastic optimization. 3rd International Conference on Learning Representations (ICLR) - Conference Track Proceedings, 2015. | false | true | true |
1,038 | 2026-02-23T10:51:02.338000Z | 2026-02-23T10:51:02.338000Z | Lec. | Kingma D.P., Lei Ba J | true | false | false | |
1,037 | 2026-02-23T10:51:00.583000Z | 2026-02-23T10:51:00.583000Z | Lec. | P. 23803—23828 | false | false | false | |
1,036 | 2026-02-23T10:50:59.190000Z | 2026-02-23T10:50:59.190000Z | Lec. | Krause A. et al | false | false | false | |
1,035 | 2026-02-23T10:50:57.346000Z | 2026-02-23T13:24:39.913000Z | Lec. | Cross-Entropy Loss Functions: Theoretical Analysis and Applications // Proceedings of the 40th International Conference on Machine Learning / ed | Cross-Entropy Loss Functions: Theoretical Analysis and Applications. Proceedings of the 40th International Conference on Machine Learning / ed | false | true | true |
1,034 | 2026-02-23T10:50:55.500000Z | 2026-02-23T10:50:55.500000Z | Lec. | Mao A., Mohri M., Zhong Y | false | false | false | |
1,033 | 2026-02-23T10:50:53.800000Z | 2026-02-23T10:50:53.800000Z | Lec. | P. 111760—111801 | false | false | false | |
1,032 | 2026-02-23T10:50:52.298000Z | 2026-02-23T10:50:52.298000Z | Lec. | Curran Associates, Inc., 2024 | false | false | false | |
1,031 | 2026-02-23T10:50:50.522000Z | 2026-02-23T10:50:50.522000Z | Lec. | Globerson A. et al | false | false | false | |
1,030 | 2026-02-23T10:50:48.688000Z | 2026-02-23T10:50:48.688000Z | Lec. | Underlying Mechanisms and Improvements // Advances in Neural Information Processing Systems / ed | false | false | false | |
1,029 | 2026-02-23T10:50:46.948000Z | 2026-02-23T10:50:46.948000Z | Lec. | Why Warmup the Learning Rate | false | true | false | |
1,028 | 2026-02-23T10:50:45.478000Z | 2026-02-23T10:50:45.478000Z | Lec. | Kalra D.S., Barkeshli M | false | false | false | |
1,027 | 2026-02-23T10:50:43.790000Z | 2026-02-23T10:50:43.790000Z | Lec. | Lora: Low-rank adaptation of large language models //ICLR, 2022 | false | false | false | |
1,026 | 2026-02-23T10:50:42.001000Z | 2026-02-23T10:50:42.001000Z | Lec. | Elsevier, 2020 | false | false | false | |
1,025 | 2026-02-23T10:50:40.190000Z | 2026-02-23T10:50:40.190000Z | Lec. | Data imbalance in classification: Experimental evaluation // Inf | false | false | false | |
1,024 | 2026-02-23T10:50:38.491000Z | 2026-02-23T10:50:38.491000Z | Lec. | Thabtah F. et al | false | false | false | |
1,023 | 2026-02-23T10:50:36.973000Z | 2026-02-23T10:50:36.973000Z | Lec. | Vol. 50, No. 3 | false | false | false | |
1,022 | 2026-02-23T10:50:35.411000Z | 2026-02-23T10:50:35.411000Z | Lec. | Pleiades Publishing, 2023 | false | false | false | |
1,021 | 2026-02-23T10:50:33.609000Z | 2026-02-23T10:50:33.609000Z | Lec. | Classification of Short Scientific Texts // Sci | false | false | false | |
1,020 | 2026-02-23T10:50:31.842000Z | 2026-02-23T10:50:31.842000Z | Lec. | V., Romanov A.Y | true | false | false | |
1,019 | 2026-02-23T10:50:30.313000Z | 2026-02-23T10:50:30.313000Z | Lec. | Kusakin I.K., Fedorets O | true | false | false | |
1,018 | 2026-02-23T10:50:28.642000Z | 2026-02-23T10:50:28.642000Z | Lec. | P. 4171—4186 | false | false | false | |
1,017 | 2026-02-23T10:50:27.070000Z | 2026-02-23T10:50:27.070000Z | Lec. | Stroudsburg, PA, USA: Association for Computational Linguistics, 2019 | false | false | false | |
1,016 | 2026-02-23T10:50:25.364000Z | 2026-02-23T10:50:25.364000Z | Lec. | Chapter Assoc | false | false | false | |
1,015 | 2026-02-23T10:50:23.562000Z | 2026-02-23T10:50:23.562000Z | Lec. | BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // Proc. 2019 Conf | false | false | false | |
1,014 | 2026-02-23T10:50:21.549000Z | 2026-02-23T10:50:21.549000Z | Lec. | Devlin J. et al | false | false | false | |
1,013 | 2026-02-23T10:50:19.758000Z | 2026-02-23T10:50:19.758000Z | Lec. | Vol. 22, No. 1 | false | false | false | |
1,012 | 2026-02-23T10:50:17.885000Z | 2026-02-23T10:50:17.885000Z | Lec. | BMC Med Res Methodol, 2022 | false | false | false | |
1,011 | 2026-02-23T10:50:15.944000Z | 2026-02-23T10:50:15.944000Z | Lec. | A comparative study on deep learning models for text classification of unstructured medical notes with various levels of class imbalance // BMC Med | false | false | false | |
1,010 | 2026-02-23T10:50:14.079000Z | 2026-02-23T10:50:14.079000Z | Lec. | Lu H., Ehwerhemuepha L., Rakovski C | false | false | false | |
1,009 | 2026-02-23T10:50:12.104000Z | 2026-02-23T10:50:12.104000Z | Lec. | P. 5999—6009 | false | false | false | |
1,008 | 2026-02-23T10:50:10.617000Z | 2026-02-23T10:50:10.617000Z | Lec. | Vol. 2017-December | false | false | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.