S'identifier
FR
[EN] English
[FR] Français
S'identifier
FR
[EN] English
[FR] Français
Donnez votre avis
Chercher et explorer
Chercher
Explore ORBilu
Science ouverte
Open Science
Open Access
La gestion des données de recherche
Definitions
OS Working group
Webinars
Statistiques
Aide
Guide d'utilisation
FAQ
Formats de rapport
Typologies
Reporting
Formations
ORCID
À propos
A propos ORBilu
Mandat
Equipe
Impact et visibilité
À propos des statistiques
Indicateurs bibliométriques
OAI-PMH
Historique du projet
Informations juridiques
Protection des données
Mentions légales
Retour
Accueil
Référence détaillée
Pas de texte intégral
Logiciel (Développements informatiques)
DeXTER (DeepTextMiner): A deep learning, critical workflow to contextually enrich digital collections and visualise them
VIOLA, Lorella
;
Fiscarelli, Antonio M.
2021
Permalien
https://hdl.handle.net/10993/49585
DOI
10.5281/zenodo.4633404
Documents (0)
Envoyer vers
Détails
Statistiques
Bibliographie
Publications similaires
Documents
Texte intégral
Aucun document disponible.
Envoyer vers
RIS
BibTex
APA
Chicago
Permalink
X
Linkedin
copier dans le presse-papier
copié
Détails
Mots-clés :
Digital humanities; Transparency; Deep learning
Centre de recherche :
- Luxembourg Centre for Contemporary and Digital History (C2DH) > Digital History & Historiography (DHI)
Disciplines :
Sciences informatiques
Auteur, co-auteur :
VIOLA, Lorella
;
University of Luxembourg > Luxembourg Centre for Contemporary and Digital History (C2DH) > DHARPA
Fiscarelli, Antonio M.
Langue du document :
Anglais
Titre :
DeXTER (DeepTextMiner): A deep learning, critical workflow to contextually enrich digital collections and visualise them
Date de publication/diffusion :
2021
Date de création :
2021
Maison d'édition :
Zenodo
URL complémentaire :
https://doi.org/10.5281/zenodo.4633404
Projet FnR :
FNR13307816 - Digital History Advanced Research Projects Accelerator, 2019 (01/10/2019-30/09/2024) - Sean Takats
Organisme subsidiant :
FNR - Fonds National de la Recherche
Disponible sur ORBilu :
depuis le 13 janvier 2022
Statistiques
Nombre de vues
172 (dont 8 Unilu)
Nombre de téléchargements
0 (dont 0 Unilu)
Voir plus de statistiques
Bibliographie
Publications similaires
Contacter ORBilu