 | 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.
Tahir, A., Quesnel, F., Desaulniers, G., El Hallaoui, I., & Yaakoubi, Y. (2021). An Improved Integral Column Generation Algorithm Using Machine Learning for Aircrew Pairing. Transportation Science, 55(6), 1411-1429. Lien externe
Yaakoubi, Y., Soumis, F., & Lacoste-Julien, S. (2020). Machine learning in airline crew pairing to construct initial clusters for dynamic constraint aggregation. EURO Journal on Transportation and Logistics, 9(4), 14 pages. Disponible
Pereira, P., Courtade, E., Aloise, D., Quesnel, F., Soumis, F., & Yaakoubi, Y. (2022). Learning to branch for the crew pairing problem. (Rapport technique n° G-2022-31). Lien externe
Tahir, A., Quesnel, F., Desaulniers, G., El Hallaoui, I., & Yaakoubi, Y. (2020). An improved integral column generation algorithm using machine learning for aircrew pairing. (Rapport technique n° G-2020-71). Lien externe
Yaakoubi, Y., Soumis, F., & Lacoste-Julien, S. (2020). Machine learning in airline crew pairing to construct initial clusters for dynamic constraint aggregation. (Rapport technique n° G-2020-13). Lien externe
Yaakoubi, Y., Lacoste-Julien, S., & Soumis, F. (2019). Flight-connection prediction for airline crew scheduling to construct initial clusters for OR optimizer. (Rapport technique n° G-2019-26). Lien externe
Yaakoubi, Y., Soumis, F., & Lacoste-Julien, S. (juillet 2021). Structured Convolutional Kernel Networks for Airline Crew Scheduling [Communication écrite]. International Conference on Machine Learning (ICML 2021). Lien externe
Soumis, F., Yaakoubi, Y., & Lacoste-Julien, S. (juin 2019). Machine Learning → Mathematical Programming for Air Crew Scheduling [Communication écrite]. 10th Triennial Symposium on Transportation Analysis conference (TRISTAN X), Hamilton Island, Australia (5 pages). Lien externe
Yaakoubi, Y. (2019). Combiner intelligence artificielle et programmation mathématique pour la planification des horaires des équipages en transport aérien [Thèse de doctorat, Polytechnique Montréal]. Disponible
