| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Agricultura Digital. |
|
Data corrente: |
08/08/2002 |
|
Data da última atualização: |
30/01/2008 |
|
Autoria: |
LIN, S. M.; JOHNSON, K. F. (ed.). |
|
Afiliação: |
Duke University Medical Center. |
|
Título: |
Methods of microarray data analysis: papers from CAMDA '00. |
|
Ano de publicação: |
2002 |
|
Fonte/Imprenta: |
Boston: Kluwer, 2002. |
|
Páginas: |
189 p. |
|
ISBN: |
0-7923-7564-5 |
|
Idioma: |
Inglês |
|
Notas: |
Conference on the Critical Assessment of microarray Data Analysis (CAMDA), 2000. |
|
Conteúdo: |
Data mining and machine learning methods for microarray analysis. (Werner Dubitzky, Martin Granzow, Daniel Berrar). Evolutionary computation in microarray data analysis. ( Jason H. Moore and Joel S. Parker). Using non-parametric methods in the context of multiple testing to determine differentially expressed genes. (Gregory Grant, Elisabetta Manduchi, Christian Stoeckert, Jr.). Iterative linear regression by sector. (David B. Finkelstein, Rob Ewing, Jeremy Gollub, Frederik Sterky, Shauna Somerville, and J. Michael Cherry). A method to improve detection of disease using selectively expressed genes in microarray data. (Virgine Aris and Michael Recce). Computational analysis of leukemia microarray expression data using the GA-KNN method. (Leping Li, Lee. G. Pedersen, Thomas A. Darden and Clarice R. Weinberg). Classical statistical approaches to molecular classification of cancer from gene expression profiling. (Jun Lu, Sarah Hardy, Wen-Li Tao, Spencer Muse, Bruce Weir and Susan Spruill). Classification of acute leukemia based on DNA microarray gene expressions using partial least squares. (Danh V. Nguyen and David M. Rocke). Applying classification separability analysis to microarray data. (Zhen Zhang, Grier Page, and Hong Zhang). How many genes are needed for a discriminant microarray data analysis. (Wentian Li and Yaning Yang). Comparing symbolic and subsymbolic macjine learning approaches to classification of cancer and gene identification. (Werner Dubitzky, Martin Granzow, Daniel Berrar). Applying machine learning techniques to analysis of gene expression data: cancer diagnosis. (Kyu-Baek Hwang, Dong-Yeon Cho, Sang-Wook Park, Sung-Dong Kim, and Byoung-Tak Zhang). MenosData mining and machine learning methods for microarray analysis. (Werner Dubitzky, Martin Granzow, Daniel Berrar). Evolutionary computation in microarray data analysis. ( Jason H. Moore and Joel S. Parker). Using non-parametric methods in the context of multiple testing to determine differentially expressed genes. (Gregory Grant, Elisabetta Manduchi, Christian Stoeckert, Jr.). Iterative linear regression by sector. (David B. Finkelstein, Rob Ewing, Jeremy Gollub, Frederik Sterky, Shauna Somerville, and J. Michael Cherry). A method to improve detection of disease using selectively expressed genes in microarray data. (Virgine Aris and Michael Recce). Computational analysis of leukemia microarray expression data using the GA-KNN method. (Leping Li, Lee. G. Pedersen, Thomas A. Darden and Clarice R. Weinberg). Classical statistical approaches to molecular classification of cancer from gene expression profiling. (Jun Lu, Sarah Hardy, Wen-Li Tao, Spencer Muse, Bruce Weir and Susan Spruill). Classification of acute leukemia based on DNA microarray gene expressions using partial least squares. (Danh V. Nguyen and David M. Rocke). Applying classification separability analysis to microarray data. (Zhen Zhang, Grier Page, and Hong Zhang). How many genes are needed for a discriminant microarray data analysis. (Wentian Li and Yaning Yang). Comparing symbolic and subsymbolic macjine learning approaches to classification of cancer and gene identification. (Werner Dubitzky, Martin Granzow, ... Mostrar Tudo |
|
Palavras-Chave: |
Expressão de genes. |
|
Thesagro: |
Análise de Dados. |
|
Thesaurus Nal: |
DNA microarrays. |
|
Categoria do assunto: |
-- |
|
Marc: |
LEADER 02254nam a2200193 a 4500
001 1004946
005 2008-01-30
008 2002 bl uuuu 00u1 u #d
020 $a0-7923-7564-5
100 1 $aLIN, S. M.
245 $aMethods of microarray data analysis$bpapers from CAMDA '00.
260 $aBoston: Kluwer$c2002
300 $a189 p.
500 $aConference on the Critical Assessment of microarray Data Analysis (CAMDA), 2000.
520 $aData mining and machine learning methods for microarray analysis. (Werner Dubitzky, Martin Granzow, Daniel Berrar). Evolutionary computation in microarray data analysis. ( Jason H. Moore and Joel S. Parker). Using non-parametric methods in the context of multiple testing to determine differentially expressed genes. (Gregory Grant, Elisabetta Manduchi, Christian Stoeckert, Jr.). Iterative linear regression by sector. (David B. Finkelstein, Rob Ewing, Jeremy Gollub, Frederik Sterky, Shauna Somerville, and J. Michael Cherry). A method to improve detection of disease using selectively expressed genes in microarray data. (Virgine Aris and Michael Recce). Computational analysis of leukemia microarray expression data using the GA-KNN method. (Leping Li, Lee. G. Pedersen, Thomas A. Darden and Clarice R. Weinberg). Classical statistical approaches to molecular classification of cancer from gene expression profiling. (Jun Lu, Sarah Hardy, Wen-Li Tao, Spencer Muse, Bruce Weir and Susan Spruill). Classification of acute leukemia based on DNA microarray gene expressions using partial least squares. (Danh V. Nguyen and David M. Rocke). Applying classification separability analysis to microarray data. (Zhen Zhang, Grier Page, and Hong Zhang). How many genes are needed for a discriminant microarray data analysis. (Wentian Li and Yaning Yang). Comparing symbolic and subsymbolic macjine learning approaches to classification of cancer and gene identification. (Werner Dubitzky, Martin Granzow, Daniel Berrar). Applying machine learning techniques to analysis of gene expression data: cancer diagnosis. (Kyu-Baek Hwang, Dong-Yeon Cho, Sang-Wook Park, Sung-Dong Kim, and Byoung-Tak Zhang).
650 $aDNA microarrays
650 $aAnálise de Dados
653 $aExpressão de genes
700 1 $aJOHNSON, K. F.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Solos. |
|
Data corrente: |
30/11/2020 |
|
Data da última atualização: |
23/02/2021 |
|
Tipo da produção científica: |
Capítulo em Livro Técnico-Científico |
|
Autoria: |
TEIXEIRA, W. G.; LUMBRERAS, J. F.; CORDEIRO, F. R.; MAESTÁ, B. C.; CERNICCHIARO, G.; SHINZATO, E. |
|
Afiliação: |
WENCESLAU GERALDES TEIXEIRA, CNPS; JOSE FRANCISCO LUMBRERAS, CNPS; FERNANDA REIS CORDEIRO, UFF; BEATRIZ CÉSAR MAESTÁ, UVA; GERALDO CERNICCHIARO, CBPF; EDGAR SHINZATO, CPRM. |
|
Título: |
Avaliação da susceptibilidade magnética e da condutividade elétrica aparente dos perfis da XIII Reunião Brasileira de Classificação e Correlação de Solos: RCC do Maranhão. |
|
Ano de publicação: |
2020 |
|
Fonte/Imprenta: |
In: SILVA, M. B. e; LUMBRERAS, J. F.; COELHO, M. R.; OLIVEIRA, V. A. de (ed.). Guia de campo da XIII Reunião Brasileira de Classificação e Correlação de Solos: RCC do Maranhão. Brasília, DF: Embrapa, 2020. E-book. cap. 11. |
|
Idioma: |
Português |
|
Conteúdo: |
Este trabalho tem por objetivo mostrar o potencial da avaliação da SM e da CEa para distinguir diferentes substratos geológicos, indicar descontinuidades litológicas e a presença de minerais magnéticos nos perfis de solos estudados na XIII Reunião Brasileira de Classificação e Correlação de Solos - RCC do Maranhão. |
|
Palavras-Chave: |
Susceptibilidade Magnética. |
|
Thesagro: |
Condutividade Eletrica; Perfil do Solo. |
|
Categoria do assunto: |
P Recursos Naturais, Ciências Ambientais e da Terra |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/218466/1/Guia-de-campo-da-XIII-RCC-Maranhao.epub
|
|
Marc: |
LEADER 01259naa a2200217 a 4500
001 2127294
005 2021-02-23
008 2020 bl uuuu u00u1 u #d
100 1 $aTEIXEIRA, W. G.
245 $aAvaliação da susceptibilidade magnética e da condutividade elétrica aparente dos perfis da XIII Reunião Brasileira de Classificação e Correlação de Solos$bRCC do Maranhão.$h[electronic resource]
260 $c2020
520 $aEste trabalho tem por objetivo mostrar o potencial da avaliação da SM e da CEa para distinguir diferentes substratos geológicos, indicar descontinuidades litológicas e a presença de minerais magnéticos nos perfis de solos estudados na XIII Reunião Brasileira de Classificação e Correlação de Solos - RCC do Maranhão.
650 $aCondutividade Eletrica
650 $aPerfil do Solo
653 $aSusceptibilidade Magnética
700 1 $aLUMBRERAS, J. F.
700 1 $aCORDEIRO, F. R.
700 1 $aMAESTÁ, B. C.
700 1 $aCERNICCHIARO, G.
700 1 $aSHINZATO, E.
773 $tIn: SILVA, M. B. e; LUMBRERAS, J. F.; COELHO, M. R.; OLIVEIRA, V. A. de (ed.). Guia de campo da XIII Reunião Brasileira de Classificação e Correlação de Solos: RCC do Maranhão. Brasília, DF: Embrapa, 2020. E-book. cap. 11.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Solos (CNPS) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Expressão de busca inválida. Verifique!!! |
|
|
