Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Brazilian Center for Research in Energy and Materials | - |
Autor(es): dc.contributor | Universidade Estadual de Campinas (UNICAMP) | - |
Autor(es): dc.contributor | Federal University of ABC | - |
Autor(es): dc.contributor | Universidade de São Paulo (USP) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Giordano, Gabriela F. | - |
Autor(es): dc.creator | Ferreira, Larissa F. | - |
Autor(es): dc.creator | Bezerra, Ítalo R. S. | - |
Autor(es): dc.creator | Barbosa, Júlia A. | - |
Autor(es): dc.creator | Costa, Juliana N. Y. | - |
Autor(es): dc.creator | Pimentel, Gabriel J. C. | - |
Autor(es): dc.creator | Lima, Renato S. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T19:09:03Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T19:09:03Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2022-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1007/s00216-023-04514-z | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/246639 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/246639 | - |
Descrição: dc.description | The so-coined fourth paradigm in science has reached the sensing area, with the use of machine learning (ML) toward data-driven improvements in sensitivity, reproducibility, and accuracy, along with the determination of multiple targets from a single measurement using multi-output regression models. Particularly, the use of supervised ML models trained on large data sets produced by electrical and electrochemical bio/sensors has emerged as an impacting trend in the literature by allowing accurate analyses even in the presence of usual issues such as electrode fouling, poor signal-to-noise ratio, chemical interferences, and matrix effects. In this trend article, apart from an outlook for the coming years, we present examples from the literature that demonstrate how helpful ML algorithms can be for dispensing the adoption of experimental methods to address the aforesaid interfering issues, ultimately contributing to translate testing technologies into on-site, practical, and daily applications. Graphical Abstract: [Figure not available: see fulltext.]. | - |
Descrição: dc.description | Brazilian Nanotechnology National Laboratory Brazilian Center for Research in Energy and Materials, São Paulo | - |
Descrição: dc.description | Institute of Chemistry University of Campinas, São Paulo | - |
Descrição: dc.description | Center for Natural and Human Sciences Federal University of ABC, São Paulo | - |
Descrição: dc.description | São Carlos Institute of Chemistry University of São Paulo, São Paulo | - |
Descrição: dc.description | School of Sciences São Paulo State University, São Paulo | - |
Descrição: dc.description | School of Sciences São Paulo State University, São Paulo | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Analytical and Bioanalytical Chemistry | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Accuracy | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Classification | - |
Palavras-chave: dc.subject | Data treatment | - |
Palavras-chave: dc.subject | Regression | - |
Título: dc.title | Machine learning toward high-performance electrochemical sensors | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: