 | Monter d'un niveau |
Réseau de collaborationCe graphique trace les liens entre tous les collaborateurs des publications de Bhargob Deka figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Nuage de motsUn nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur Bhargob Deka. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
Laurent, B., Deka, B., Hamida, Z., & Goulet, J. A. (2023). Analytical Inference for Inspectors' Uncertainty Using Network-Scale Visual Inspections. Journal of Computing in Civil Engineering, 37(5), 12 pages. Lien externe
Deka, B., Nguyen, L. H., & Goulet, J. A. (2023). Analytically tractable heteroscedastic uncertainty quantification in Bayesian neural networks for regression tasks. Neurocomputing, 127183 (20 pages). Lien externe
Deka, B., & Goulet, J. A. (2023). Approximate Gaussian variance inference for state-space models. International Journal of Adaptive Control and Signal Processing, 29 pages. Disponible
Deka, B., Ha Nguyen, L., Amiri, S., & Goulet, J. A. (2022). The Gaussian multiplicative approximation for state-space models. Structural Control and Health Monitoring, 29(3), 20 pages. Lien externe
Deka, B., & Goulet, J. A. Online aleatory uncertainty quantification for probabilistic time series models [Communication écrite]. 14th International Conference on Applications of Statistics and Probability in Civil Engineering (ICASP14), Dublin, Ireland (8 pages). Lien externe
Deka, B., & Goulet, J. A. (août 2022). State-based Regression for Modeling the Non-linear Dependency between Time Series [Communication écrite]. 11th International Conference on Structural Health Monitoring of Intelligent Infrastructure (SHMII 2022), Montreal, QC, Canada. Non disponible
Deka, B. (2022). Analytical Bayesian Parameter Inference for Probabilistic Models with Engineering Applications [Thèse de doctorat, Polytechnique Montréal]. Disponible
