 | Monter d'un niveau |
Réseau de collaborationCe graphique trace les liens entre tous les collaborateurs des publications de {} 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 {}. 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.
Farahmand, A.-M., Nabi, S., & Nikovski, D. N. (mai 2017). Deep reinforcement learning for partial differential equation control [Communication écrite]. American Control Conference (ACC 2017), Seattle, WA, USA. Lien externe
Farahmand, A.-M., Pourazarm, S., & Nikovski, D. N. (décembre 2017). Random projection filter bank for time series data [Communication écrite]. 31st annual Conference on Neural Information Processing systsems (NeurIPS 2017), Long Beauch, CA, USA (11 pages). Lien externe
Farahmand, A.-M., Barreto, A. M., & Nikovski, D. N. (avril 2017). Value-aware loss function for model-based reinforcement learning [Communication écrite]. 20th International Conference on Artificial Intelligence and Statistics (AISTATS 2017), Fort Lauderdale, FL, USA. Lien externe
Farahmand, A.-M., Nabi, S., Grover, P., & Nikovski, D. N. (décembre 2016). Learning to control partial differential equations: Regularized Fitted Q-Iteration approach [Communication écrite]. 55th IEEE Conference on Decision and Control (CDC 2016), Las Vegas, NV, USA (8 pages). Lien externe
Farahmand, A.-M., Nikovski, D. N., Igarashi, Y., & Konaka, H. (février 2016). Truncated approximate dynamic programming with task-dependent terminal value [Résumé]. 30th AAAI Conference on Artificial Intelligence (AAAI 2016), Phoenix, Arizona, USA. Lien externe
Pourazarm, S., Farahmand, A.-M., & Nikovski, D. N. (octobre 2017). Fault detection and prognosis of time series data with random projection filter bank [Communication écrite]. 9th annual Conference of the Prognostics and Health Management Society (PHM 2017), St. Petersburg, FL, USA (11 pages). Lien externe
