ReP USP - Resultado da busca

Trabalho de evento
Gradient estimation in model-based reinforcement learning: a study on linear quadratic environments (2021)
Lovatto, Ângelo Gregório ; Bueno, Thiago Pereira ; Barros, Leliane Nunes de
Fonte: Proceedings. Nome do evento: Brazilian Conference on Intelligent Systems - BRACIS. Unidade: IME
Assuntos: MODELOS PARA PROCESSOS ESTOCÁSTICOS, APRENDIZADO COMPUTACIONAL
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
LOVATTO, Ângelo Gregório e BUENO, Thiago Pereira e BARROS, Leliane Nunes de. Gradient estimation in model-based reinforcement learning: a study on linear quadratic environments. 2021, Anais.. Cham: Springer, 2021. Disponível em: https://doi.org/10.1007/978-3-030-91702-9_3. Acesso em: 16 nov. 2025.
APA
Lovatto, Â. G., Bueno, T. P., & Barros, L. N. de. (2021). Gradient estimation in model-based reinforcement learning: a study on linear quadratic environments. In Proceedings. Cham: Springer. doi:10.1007/978-3-030-91702-9_3
NLM
Lovatto ÂG, Bueno TP, Barros LN de. Gradient estimation in model-based reinforcement learning: a study on linear quadratic environments [Internet]. Proceedings. 2021 ;[citado 2025 nov. 16 ] Available from: https://doi.org/10.1007/978-3-030-91702-9_3
Vancouver
Lovatto ÂG, Bueno TP, Barros LN de. Gradient estimation in model-based reinforcement learning: a study on linear quadratic environments [Internet]. Proceedings. 2021 ;[citado 2025 nov. 16 ] Available from: https://doi.org/10.1007/978-3-030-91702-9_3
Tese (Doutorado)
Planning in stochastic computation graphs: solving stochastic nonlinear problems with backpropagation (2021)
Bueno, Thiago Pereira; Barros, Leliane Nunes de (Orientador) ; Mauá, Denis Deratani (Orientador)
Unidade: IME
Assuntos: INTELIGÊNCIA ARTIFICIAL, APRENDIZADO COMPUTACIONAL, REDES NEURAIS, MODELOS PARA PROCESSOS ESTOCÁSTICOS
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
BUENO, Thiago Pereira. Planning in stochastic computation graphs: solving stochastic nonlinear problems with backpropagation. 2021. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-29102021-133418/. Acesso em: 16 nov. 2025.
APA
Bueno, T. P. (2021). Planning in stochastic computation graphs: solving stochastic nonlinear problems with backpropagation (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/45/45134/tde-29102021-133418/
NLM
Bueno TP. Planning in stochastic computation graphs: solving stochastic nonlinear problems with backpropagation [Internet]. 2021 ;[citado 2025 nov. 16 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-29102021-133418/
Vancouver
Bueno TP. Planning in stochastic computation graphs: solving stochastic nonlinear problems with backpropagation [Internet]. 2021 ;[citado 2025 nov. 16 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-29102021-133418/
Trabalho de evento-anais periodico
Modeling Markov decision processes with imprecise probabilities using probabilistic logic programming (2017)
Bueno, Thiago Pereira; Mauá, Denis Deratani ; Barros, Leliane Nunes de ; Cozman, Fabio Gagliardi
Fonte: PMLR: Proceedings of Machine Learning Research. Nome do evento: International Symposium on Imprecise Probability: Theories and Applications - ISIPTA. Unidades: IME, EP
Assuntos: PROCESSOS DE MARKOV, PROGRAMAÇÃO LÓGICA, MODELOS PARA PROCESSOS ESTOCÁSTICOS
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
BUENO, Thiago Pereira et al. Modeling Markov decision processes with imprecise probabilities using probabilistic logic programming. PMLR: Proceedings of Machine Learning Research. Brookline: Instituto de Matemática e Estatística, Universidade de São Paulo. Disponível em: http://proceedings.mlr.press/v62/bueno17a.html. Acesso em: 16 nov. 2025. , 2017
APA
Bueno, T. P., Mauá, D. D., Barros, L. N. de, & Cozman, F. G. (2017). Modeling Markov decision processes with imprecise probabilities using probabilistic logic programming. PMLR: Proceedings of Machine Learning Research. Brookline: Instituto de Matemática e Estatística, Universidade de São Paulo. Recuperado de http://proceedings.mlr.press/v62/bueno17a.html
NLM
Bueno TP, Mauá DD, Barros LN de, Cozman FG. Modeling Markov decision processes with imprecise probabilities using probabilistic logic programming [Internet]. PMLR: Proceedings of Machine Learning Research. 2017 ;( 62): 49-60.[citado 2025 nov. 16 ] Available from: http://proceedings.mlr.press/v62/bueno17a.html
Vancouver
Bueno TP, Mauá DD, Barros LN de, Cozman FG. Modeling Markov decision processes with imprecise probabilities using probabilistic logic programming [Internet]. PMLR: Proceedings of Machine Learning Research. 2017 ;( 62): 49-60.[citado 2025 nov. 16 ] Available from: http://proceedings.mlr.press/v62/bueno17a.html

Unidades USP

ReP

Filtros

Assuntos

Agência de fomento