Wykaz publikacji wybranego autora

Paweł Malinowski, dr hab. inż., prof. AGH

profesor nadzwyczajny

Wydział Odlewnictwa
WO-kip, Katedra Inżynierii Procesów Odlewniczych

  • 2018

    [dyscyplina 1] dziedzina nauk inżynieryjno-technicznych / inżynieria materiałowa

[poprzednia klasyfikacja] obszar nauk technicznych / dziedzina nauk technicznych / metalurgia

Identyfikatory Autora Informacje o Autorze w systemach zewnętrznych

ORCID: 0000-0001-5363-8153 orcid iD

ResearcherID: X-4275-2018

Scopus: 36822150500

PBN: 5e709208878c28a04738ee3b

OPI Nauka Polska

System Informacyjny AGH (SkOs)

1

  • Prediction of mechanical properties of ADI using XGBoost, CatBoost, LightGBM, TensorFlow / Paweł MALINOWSKI, Dawid Myszka // W: ICPMEE 2022 [Dokument elektroniczny] : the International Conference of Processes Modelling and Experimental Engineering : 7–9 September 2022, Rytro, Poland : book of abstracts / ed. Karolina Kaczmarska. — Wersja do Windows. — Dane tekstowe. — [Polska : s. n.], [2022]. — S. 86–87. — Wymagania systemowe: Adobe Raeder. — Tryb dostępu: https://www.icpmee.org/ [2022-09-15]

  • keywords: machine learning, prediction, deep learning, ADI mechanical properties

    cyfrowy identyfikator dokumentu:

2

  • Regression using machine learning and neural networks for studying tribological properties of wear-resistant layers — Zastosowanie regresji z wykorzystaniem uczenia maszynowego i sieci neuronowych w badaniach właściwości tribologicznych warstw trudnościeralnych / Paweł MALINOWSKI, Justyna Kasińska // Tribologia : teoria i praktyka / Polskie Towarzystwo Tribologiczne, Instytut Technologii Eksploatacji – Państwowy Instytut Badawczy ; ISSN 0208-7774. — 2022 vol. 299 no. 1, s. 57–64. — Bibliogr. s. 64, Abstr., Streszcz.. — Publikacja dostępna online od: 2022-05-31. — tekst: https://t.tribologia.eu/api/files/download/1902993.pdf

    orcid iD

  • słowa kluczowe: sieci neuronowe, tribologia, uczenie maszynowe, regresja, charakterystyki tribologiczne, wskaźniki zużycia

    keywords: neural networks, tribology, machine learning, regression, tribological characteristics, wear indicators

    cyfrowy identyfikator dokumentu: 10.5604/01.3001.0015.8984