Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Classification of Systems-I01:26

Classification of Systems-I

296
Linearity is a system property characterized by a direct input-output relationship, combining homogeneity and additivity.
Homogeneity dictates that if an input x(t) is multiplied by a constant c, the output y(t) is multiplied by the same constant. Mathematically, this is expressed as:
296

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Evaluating No-Code and Low-Code Platforms for Medical Image Classification: A Systematic Review.

Journal of imaging informatics in medicine·2026
Same author

An improved FOX optimization algorithm using adaptive exploration and exploitation for global optimization.

PloS one·2025
Same author

MOANA: Multi-objective ant nesting algorithm for optimization problems.

Heliyon·2025
Same author

Decoding Drug Discovery: Exploring A-to-Z In Silico Methods for Beginners.

Applied biochemistry and biotechnology·2024
Same author

Gigant-KTTS dataset: Towards building an extensive gigant dataset for Kurdish text-to-speech systems.

Data in brief·2024
Same author

Rebuttal to: Letter to the Editor. Re: "[An extensive dataset of handwritten central Kurdish isolated characters by R.M. Ahmed, T.A. Rashid, P. Fatah, A. Alsadoon & S. Mirjalili, Data in Brief, 2021, 39, 107479]".

Data in brief·2024

Video Experimental Relacionado

Updated: Sep 10, 2025

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

8.3K

Clasificador de hígado artificial: una nueva alternativa a los modelos convencionales de aprendizaje automático

Mahmood A Jumaah1, Yossra H Ali1, Tarik A Rashid2

  • 1Department of Computer Science, University of Technology, Baghdad, Iraq.

Frontiers in artificial intelligence
|August 27, 2025
PubMed
Resumen

El nuevo clasificador de hígado artificial (ALC) maneja efectivamente la clasificación de varias clases, reduciendo el exceso de ajuste y mejorando la precisión. Este modelo inspirado en la biología muestra resultados prometedores en conjuntos de datos de referencia.

Palabras clave:
Inteligencia artificialClasificador del hígado artificial (ALC)ClasificaciónSistemas inteligentesAprendizaje automáticoOptimización

Más Videos Relacionados

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

6.9K
Functional Human Liver Preservation and Recovery by Means of Subnormothermic Machine Perfusion
08:54

Functional Human Liver Preservation and Recovery by Means of Subnormothermic Machine Perfusion

Published on: April 27, 2015

17.0K

Videos de Experimentos Relacionados

Last Updated: Sep 10, 2025

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

8.3K
Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

6.9K
Functional Human Liver Preservation and Recovery by Means of Subnormothermic Machine Perfusion
08:54

Functional Human Liver Preservation and Recovery by Means of Subnormothermic Machine Perfusion

Published on: April 27, 2015

17.0K

Área de la Ciencia:

  • Aprendizaje automático
  • Biología computacional
  • Inteligencia artificial

Sus antecedentes:

  • Los clasificadores de aprendizaje automático supervisados a menudo encuentran desafíos con el rendimiento, la precisión y el exceso de ajuste.
  • El desarrollo de modelos de clasificación sólidos y eficientes sigue siendo un área clave de investigación.

Objetivo del estudio:

  • Introducir el clasificador de hígado artificial (ALC), un nuevo modelo de aprendizaje supervisado.
  • Abordar las limitaciones de los clasificadores actuales, centrándose en la simplicidad, la velocidad y la reducción del exceso de ajuste.
  • Investigar la eficacia del ALC para los problemas de clasificación de varias clases.

Principales métodos:

  • El clasificador de hígado artificial (ALC) es un nuevo modelo de aprendizaje supervisado inspirado en el proceso de desintoxicación del hígado humano.
  • La optimización de parámetros para el ALC se realiza utilizando un algoritmo de optimización FOX (IFOX) mejorado.
  • El modelo ALC fue evaluado en cinco conjuntos de datos de referencia: Iris Flower, Breast Cancer Wisconsin, Wine, Voice Gender y MNIST.

Principales resultados:

  • El ALC logró una alta precisión, alcanzando el 100% en el conjunto de datos de Iris y el 99, 12% en el conjunto de datos de Cáncer de Mama.
  • ALC superó a los clasificadores establecidos como la regresión logística, el perceptrón multicapa, la máquina de vectores de soporte y XGBoost en conjuntos de datos específicos.
  • En todos los conjuntos de datos probados, el ALC demostró brechas de generalización más pequeñas y valores de pérdida más bajos en comparación con los métodos convencionales.

Conclusiones:

  • Los modelos inspirados en la biología ofrecen una dirección prometedora para desarrollar clasificadores eficientes de aprendizaje automático.
  • El clasificador de hígado artificial (ALC) presenta un enfoque viable y eficaz para las tareas de clasificación de varias clases.
  • El estudio abre nuevas vías para la innovación mediante la integración de principios biológicos en el diseño de modelos de aprendizaje automático.