University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'éditeur
Setif:UFA |
Documents disponibles chez cet éditeur
Ajouter le résultat dans votre panier Affiner la recherche
Extraction des connaissances biologiques basée sur les règles d'association et la théorie de la croyance / Gouissem ,Sarra
Titre : Extraction des connaissances biologiques basée sur les règles d'association et la théorie de la croyance Type de document : texte imprimé Auteurs : Gouissem ,Sarra, Auteur ; Mekroud,Noureddine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (74 p.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Bioinformatique
Images d’expression génétique
Fouille de données
Théorie de croyance, règles d’associationIndex. décimale : 004 - Informatique Résumé : La théorie de croyance de Dempster Shafer est une théorie mathématique basée sur la notion de preuves utilisant les fonctions de croyance et le raisonnement plausible. Cette théorie permet de combiner des preuves distinctes, elle a un fort impact sur les méthodes de fouille de données, elle peut être adaptée pour modéliser l’extraction des règles d’association. Dans ce contexte, notre approche consiste à l’extraction des règles d’association évidentielles à partir des images d’expression génétique de l’embryon de l’espèce modèle souris Edinburg. Plusieurs techniques ont été utilisées pour réduire la complexité de l’algorithme. Il s’agit d’abord du prétraitement des images numériques, ensuite la représentation de l’imperfection des données traitées suivant le concept évidentiel, en définissant ainsi une fonction de masse de chaque attribut pour la génération des itemsets évidentiels. Puis, la génération des règles d’association évidentielles suivant des seuils adéquats pour chaque paramètre de l’algorithme proposé. A la fin on a comparé les résultats obtenus avec les résultats basés sur le concept flou.
Note de contenu : Sommaire
Remerciement ........................................................................................................................................... i
Dédicace ................................................................................................................................................... ii
Table des matières .................................................................................................................................. iii
Liste des figures ...................................................................................................................................... vi
Liste des tables ....................................................................................................................................... vii
Introduction générale ............................................................................................................................. 1
Chapitre 1 ................................................................................................................................................ 3
1. Introduction .................................................................................................................................... 4
2. Définition de la bio-informatique .................................................................................................. 4
2.1 Définition 1 : ............................................................................................................................ 4
2.2 Définition 2 .............................................................................................................................. 4
3. Historique : ...................................................................................................................................... 5
4. Les différentes applications de la bioinformatique ....................................................................... 6
5. Buts de la bioinformatique ............................................................................................................. 6
6. Les notions biologiques .................................................................................................................. 7
7. Stockage : les Banques de données biologiques ........................................................................... 9
7.1 Banques généralistes ............................................................................................................ 10
7.2 Banques spécialisées ............................................................................................................ 11
7.3 La diffusion des bases de données ....................................................................................... 12
8. L’image d’expression génétique ................................................................................................... 13
9. L’imagerie in vivo des expressions génétiques ............................................................................ 13
9.1. L’imagerie in vivo de l’embryon du « poisson zèbre » ........................................................ 13
9.2. L’imagerie in vivo de l’embryon de « Edinburgh Mouse » .................................................. 16
10. Conclusion ................................................................................................................................. 17
Chapitre 2 .............................................................................................................................................. 18
1. Introduction .................................................................................................................................. 19
2. Extraction des connaissances à partir de données ...................................................................... 19
3. Fouille de données ........................................................................................................................ 22
3.1. Définition .............................................................................................................................. 22
3.2. Domaines d’application de la fouille de données ............................................................... 22
3.3. Principales tâches de fouille de données ............................................................................. 22
3.4. En général .............................................................................................................................. 23
3.5. Les Méthodes descriptives (apprentissage non supervisé) ................................................. 24
3.5.1. La méthode des K-Moyennes ...................................................................................... 24
3.5.2. Classification FCM (Fuzzy C-Means) ........................................................................ 25
3.5.3. Classification possibiliste PCM (Possibilist C-Means) ............................................. 25
Table des matières
V
viv
3.6. Les méthodes prédictives (apprentissage supervisé) .......................................................... 26
3.6.1. La méthode KNN (K- Nearest Neighbors) ................................................................ 26
3.6.2. Les arbres de décision ................................................................................................. 26
3.6.3. Les réseaux de neurones.............................................................................................. 26
4. Les règles d’association ................................................................................................................ 27
4.1. Définition .............................................................................................................................. 27
4.2. Les étapes d’extraction des règles d’association ................................................................. 28
4.3. Concepts généraux................................................................................................................ 29
4.4. Algorithmes de recherche de règles d’association .............................................................. 30
4.5. Exemple d’extraction de règle d’association : ..................................................................... 32
5. Texte mining.................................................................................................................................. 36
6. L’image Mining .............................................................................................................................. 36
7. Conclusion ..................................................................................................................................... 36
Chapitre 3 .............................................................................................................................................. 37
1. Introduction .................................................................................................................................. 38
2. Suivi du développement de la logique humaine ......................................................................... 38
2.1. La logique binaire .................................................................................................................. 39
2.2. Les données dans le monde réel .......................................................................................... 39
3. L’information imparfaite .............................................................................................................. 39
4. Les types d’imperfection des données ......................................................................................... 40
4.1. L’information imprécise ................................................................................................. 40
4.2. L’information incomplète ............................................................................................... 40
4.3. L’information incertaine ................................................................................................. 41
4.4. L’inconsistance ................................................................................................................ 41
5. Représentations formelles de l’information imparfaite ............................................................. 41
5.1. Théorie des probabilités ....................................................................................................... 41
5.1.1. Cadre classique ............................................................................................................ 42
5.1.2. Cadre bayésien ............................................................................................................. 43
5.2. Théorie des ensembles flous. ............................................................................................... 43
5.2.1. Des ensembles classiques aux ensembles flous .......................................................... 44
5.2.2. Définitions .................................................................................................................... 45
5.2.3. Fonctions d’appartenance ........................................................................................... 45
5.2.4. Les variables linguistiques .......................................................................................... 46
5.2.5. Les opérations de base sur les ensembles flous : ....................................................... 46
5.3. Théorie des possibilités ........................................................................................................ 47
5.3.1. Mesure de possibilités .................................................................................................. 47
5.3.2. Mesure de nécessités .................................................................................................... 48
5.4. Théorie de l’évidence ............................................................................................................ 48
Table des matières
V
viv
5.4.1. Cadre de discernement ................................................................................................ 49
5.4.2. Règle de combinaison de Dempster ........................................................................... 50
5.4.3. Modèle des croyances transférables ........................................................................... 51
5.4.4. Avantages et limites de la théorie de l’évidence ........................................................ 52
6. Extraction des itemsets fréquents à partir de données Flou ...................................................... 53
6.1. Théorie des sous-ensembles flous en fouille de données ............................................... 53
6.2. Définitions ........................................................................................................................ 54
7. Extraction des itemsets fréquents à partir de données évidentielles ........................................ 58
7.1. Bases de données évidentielles............................................................................................ 58
7.2. Extraction des itemsets fréquents ....................................................................................... 59
8. Conclusion ..................................................................................................................................... 61
Chapitre 4 .............................................................................................................................................. 62
1. Introduction .................................................................................................................................. 63
2. L’environnement de programmation Matlab .............................................................................. 63
3. L’approche proposée .................................................................................................................... 63
3.1. Présentation générale .......................................................................................................... 63
3.2. Pseudo code .......................................................................................................................... 64
3.3. Contribution .......................................................................................................................... 65
3.4. Prétraitement ........................................................................................................................ 65
3.4.1. Redimensionner : .................................................................................................................. 65
3.4.2. Indexation : ........................................................................................................................... 66
3.4.3. Compression :........................................................................................................................ 66
3.5. Conception de l’approche proposée .................................................................................... 67
3.5.1. Masse évidentielle ........................................................................................................ 67
3.6. La table de transaction ......................................................................................................... 68
4. Discutions des résultats ................................................................................................................ 69
5. L’interface graphique .................................................................................................................... 70
6. Conclusion ..................................................................................................................................... 71
Conclusion générale .............................................................................................................................. 72
Résumé .................................................................................................................................................. 73
Bibliographie ......................................................................................................................................... 74
Liste des figures
VI
vi
Liste desCôte titre : MAI/0293 En ligne : https://drive.google.com/file/d/1-Sl6uSYkmt1DS6Fugv15SM6wbJw3GMga/view?usp=shari [...] Format de la ressource électronique : Extraction des connaissances biologiques basée sur les règles d'association et la théorie de la croyance [texte imprimé] / Gouissem ,Sarra, Auteur ; Mekroud,Noureddine, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (74 p.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Bioinformatique
Images d’expression génétique
Fouille de données
Théorie de croyance, règles d’associationIndex. décimale : 004 - Informatique Résumé : La théorie de croyance de Dempster Shafer est une théorie mathématique basée sur la notion de preuves utilisant les fonctions de croyance et le raisonnement plausible. Cette théorie permet de combiner des preuves distinctes, elle a un fort impact sur les méthodes de fouille de données, elle peut être adaptée pour modéliser l’extraction des règles d’association. Dans ce contexte, notre approche consiste à l’extraction des règles d’association évidentielles à partir des images d’expression génétique de l’embryon de l’espèce modèle souris Edinburg. Plusieurs techniques ont été utilisées pour réduire la complexité de l’algorithme. Il s’agit d’abord du prétraitement des images numériques, ensuite la représentation de l’imperfection des données traitées suivant le concept évidentiel, en définissant ainsi une fonction de masse de chaque attribut pour la génération des itemsets évidentiels. Puis, la génération des règles d’association évidentielles suivant des seuils adéquats pour chaque paramètre de l’algorithme proposé. A la fin on a comparé les résultats obtenus avec les résultats basés sur le concept flou.
Note de contenu : Sommaire
Remerciement ........................................................................................................................................... i
Dédicace ................................................................................................................................................... ii
Table des matières .................................................................................................................................. iii
Liste des figures ...................................................................................................................................... vi
Liste des tables ....................................................................................................................................... vii
Introduction générale ............................................................................................................................. 1
Chapitre 1 ................................................................................................................................................ 3
1. Introduction .................................................................................................................................... 4
2. Définition de la bio-informatique .................................................................................................. 4
2.1 Définition 1 : ............................................................................................................................ 4
2.2 Définition 2 .............................................................................................................................. 4
3. Historique : ...................................................................................................................................... 5
4. Les différentes applications de la bioinformatique ....................................................................... 6
5. Buts de la bioinformatique ............................................................................................................. 6
6. Les notions biologiques .................................................................................................................. 7
7. Stockage : les Banques de données biologiques ........................................................................... 9
7.1 Banques généralistes ............................................................................................................ 10
7.2 Banques spécialisées ............................................................................................................ 11
7.3 La diffusion des bases de données ....................................................................................... 12
8. L’image d’expression génétique ................................................................................................... 13
9. L’imagerie in vivo des expressions génétiques ............................................................................ 13
9.1. L’imagerie in vivo de l’embryon du « poisson zèbre » ........................................................ 13
9.2. L’imagerie in vivo de l’embryon de « Edinburgh Mouse » .................................................. 16
10. Conclusion ................................................................................................................................. 17
Chapitre 2 .............................................................................................................................................. 18
1. Introduction .................................................................................................................................. 19
2. Extraction des connaissances à partir de données ...................................................................... 19
3. Fouille de données ........................................................................................................................ 22
3.1. Définition .............................................................................................................................. 22
3.2. Domaines d’application de la fouille de données ............................................................... 22
3.3. Principales tâches de fouille de données ............................................................................. 22
3.4. En général .............................................................................................................................. 23
3.5. Les Méthodes descriptives (apprentissage non supervisé) ................................................. 24
3.5.1. La méthode des K-Moyennes ...................................................................................... 24
3.5.2. Classification FCM (Fuzzy C-Means) ........................................................................ 25
3.5.3. Classification possibiliste PCM (Possibilist C-Means) ............................................. 25
Table des matières
V
viv
3.6. Les méthodes prédictives (apprentissage supervisé) .......................................................... 26
3.6.1. La méthode KNN (K- Nearest Neighbors) ................................................................ 26
3.6.2. Les arbres de décision ................................................................................................. 26
3.6.3. Les réseaux de neurones.............................................................................................. 26
4. Les règles d’association ................................................................................................................ 27
4.1. Définition .............................................................................................................................. 27
4.2. Les étapes d’extraction des règles d’association ................................................................. 28
4.3. Concepts généraux................................................................................................................ 29
4.4. Algorithmes de recherche de règles d’association .............................................................. 30
4.5. Exemple d’extraction de règle d’association : ..................................................................... 32
5. Texte mining.................................................................................................................................. 36
6. L’image Mining .............................................................................................................................. 36
7. Conclusion ..................................................................................................................................... 36
Chapitre 3 .............................................................................................................................................. 37
1. Introduction .................................................................................................................................. 38
2. Suivi du développement de la logique humaine ......................................................................... 38
2.1. La logique binaire .................................................................................................................. 39
2.2. Les données dans le monde réel .......................................................................................... 39
3. L’information imparfaite .............................................................................................................. 39
4. Les types d’imperfection des données ......................................................................................... 40
4.1. L’information imprécise ................................................................................................. 40
4.2. L’information incomplète ............................................................................................... 40
4.3. L’information incertaine ................................................................................................. 41
4.4. L’inconsistance ................................................................................................................ 41
5. Représentations formelles de l’information imparfaite ............................................................. 41
5.1. Théorie des probabilités ....................................................................................................... 41
5.1.1. Cadre classique ............................................................................................................ 42
5.1.2. Cadre bayésien ............................................................................................................. 43
5.2. Théorie des ensembles flous. ............................................................................................... 43
5.2.1. Des ensembles classiques aux ensembles flous .......................................................... 44
5.2.2. Définitions .................................................................................................................... 45
5.2.3. Fonctions d’appartenance ........................................................................................... 45
5.2.4. Les variables linguistiques .......................................................................................... 46
5.2.5. Les opérations de base sur les ensembles flous : ....................................................... 46
5.3. Théorie des possibilités ........................................................................................................ 47
5.3.1. Mesure de possibilités .................................................................................................. 47
5.3.2. Mesure de nécessités .................................................................................................... 48
5.4. Théorie de l’évidence ............................................................................................................ 48
Table des matières
V
viv
5.4.1. Cadre de discernement ................................................................................................ 49
5.4.2. Règle de combinaison de Dempster ........................................................................... 50
5.4.3. Modèle des croyances transférables ........................................................................... 51
5.4.4. Avantages et limites de la théorie de l’évidence ........................................................ 52
6. Extraction des itemsets fréquents à partir de données Flou ...................................................... 53
6.1. Théorie des sous-ensembles flous en fouille de données ............................................... 53
6.2. Définitions ........................................................................................................................ 54
7. Extraction des itemsets fréquents à partir de données évidentielles ........................................ 58
7.1. Bases de données évidentielles............................................................................................ 58
7.2. Extraction des itemsets fréquents ....................................................................................... 59
8. Conclusion ..................................................................................................................................... 61
Chapitre 4 .............................................................................................................................................. 62
1. Introduction .................................................................................................................................. 63
2. L’environnement de programmation Matlab .............................................................................. 63
3. L’approche proposée .................................................................................................................... 63
3.1. Présentation générale .......................................................................................................... 63
3.2. Pseudo code .......................................................................................................................... 64
3.3. Contribution .......................................................................................................................... 65
3.4. Prétraitement ........................................................................................................................ 65
3.4.1. Redimensionner : .................................................................................................................. 65
3.4.2. Indexation : ........................................................................................................................... 66
3.4.3. Compression :........................................................................................................................ 66
3.5. Conception de l’approche proposée .................................................................................... 67
3.5.1. Masse évidentielle ........................................................................................................ 67
3.6. La table de transaction ......................................................................................................... 68
4. Discutions des résultats ................................................................................................................ 69
5. L’interface graphique .................................................................................................................... 70
6. Conclusion ..................................................................................................................................... 71
Conclusion générale .............................................................................................................................. 72
Résumé .................................................................................................................................................. 73
Bibliographie ......................................................................................................................................... 74
Liste des figures
VI
vi
Liste desCôte titre : MAI/0293 En ligne : https://drive.google.com/file/d/1-Sl6uSYkmt1DS6Fugv15SM6wbJw3GMga/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0293 MAI/0293 Mémoire Bibliothéque des sciences Français Disponible
DisponibleExtraction de connaissances dans les big data : Application aux données biomédicales / SEDJAL, Maroua Yousra
Titre : Extraction de connaissances dans les big data : Application aux données biomédicales Type de document : texte imprimé Auteurs : SEDJAL, Maroua Yousra ; A Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2015 Importance : 1 vol (61f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Big Data, ECD, Bioinformatique, Alignement des séquences ADN. Index. décimale : 004 Informatique Résumé : Résumé
La bioinformatique est une discipline qui englobe l'ensemble des applications de l'informatique dans le domaine de la biologie, Elle représente un domaine de recherche très vaste qui a comme objectif adapter les outils informatiques afin de pouvoir stocker, analyser et visualiser les informations contenues dans les multiples sources de données biologiques tel que les séquences d'ADN , ARN et des protéines des êtres vivants.
Dans le domaine de la Data Science, le Big Data étant un ensemble de nouvelles technologies de fouille de données énorme, la bioinformatique lui offre une large quantité de données variée qui peut être exploité afin d'en extraire toutes les informations et connaissances utiles
Le but de notre travail est de développer une application qui aide a extraire des informations et des connaissances a partir des comparaisons des séquences d’ADN, en se basant sur un algorithme biologique tel que l'algorithme d'alignement global et multiple de Needleman et Wunsch, et qui peut être déployer afin de traiter de très grande quantité de données comme les Big Data.
Note de contenu : Table De Matières
Introduction générale
Chapitre 1 : Extraction des connaissances et fouilles de données
1 Introduction : .................................................................................................................................. 2
2 L’extraction des connaissances ....................................................................................................... 2
2.1 Définition : .............................................................................................................................. 2
2.2 Le processus ECD : ................................................................................................................. 3
2.2.1 La donnée : ...................................................................................................................... 3
2.2.2 L’information : ................................................................................................................ 3
2.2.3 La connaissance : ............................................................................................................. 3
2.3 Les phases du processus ECD : ............................................................................................... 4
2.3.1 Phase d’acquisition des données : ................................................................................... 4
2.3.2 Phase de fouille de données : ........................................................................................... 5
2.3.3 Phase de validation et de mise en forme : ....................................................................... 5
2.4 Les types de données exploitées dans l’ECD : ........................................................................ 6
2.4.1 Les données disponibles en permanence : ....................................................................... 6
2.4.2. Les données disponibles temporelles : .................................................................................. 6
2.5 Les types de connaissances dans l’ECD : ................................................................................ 7
3 L’apprentissage automatique ........................................................................................................... 7
3.1 Définition de l’apprentissage automatique : ............................................................................ 7
3.2 Algorithmes de l’apprentissage automatique : ........................................................................ 7
3.2.1 L'apprentissage supervisé : .............................................................................................. 7
3.2.2 L'apprentissage non-supervisé : ....................................................................................... 8
3.2.3 L'apprentissage par renforcement : .................................................................................. 8
4 La fouille de données (Data Mining) ............................................................................................... 9
4.1 Définition de la fouille de données : ........................................................................................ 9
4.2 Les facteurs d’émergence du Data Mining : ............................................................................ 9
4.2.1 Le volume des bases de données : ................................................................................... 9
4.2.2 Le rapport à la clientèle : ................................................................................................. 9
4.3 Les types de Data Mining : ..................................................................................................... 9
4.4 Les taches de Data Mining : .................................................................................................. 10
4.5 Les types de méthodes du Data Mining : ............................................................................. 11
4.5.1 Les méthodes descriptives (recherche de patterns) : ..................................................... 11
4.5.2 Les méthodes prédictives (modélisation) : .................................................................... 11
4.6 Les logiciels de fouille de données : ...................................................................................... 11
4.6.1 Les logiciels sur PC : .................................................................................................... 11
4.6.2 Logiciels commercialisés sur gros systèmes : ............................................................... 11
5 La classification ............................................................................................................................. 12
5.1 Définition : ............................................................................................................................ 12
5.2 Processus de classification : .................................................................................................. 12
5.2.1 La construction du modèle à partir de l’ensemble d’apprentissage : ............................. 12
5.2.2 L’utilisation du modèle : ............................................................................................... 12
5.3 Evaluation des méthodes de classification : .......................................................................... 12
5.4 Mesures de la qualité d’une méthode de classification : ....................................................... 13
5.5 Méthodes de Classification.................................................................................................... 13
5.5.1 Méthode K-NN (plus proche voisin) : ........................................................................... 13
5.5.2 Réseaux de neurones : ................................................................................................... 13
5.5.3 Classification Bayésienne : ............................................................................................ 14
5.5.4 Arbres de décision : ....................................................................................................... 15
6 La segmentation (Clustering) ....................................................................................................... 16
6.1 Définition : ............................................................................................................................ 16
6.2 Les algorithmes du Clustering : ............................................................................................ 17
6.2.1 Algorithmes de Partitionnement : .................................................................................. 17
6.2.2 Algorithmes hiérarchiques : .......................................................................................... 18
6.2.3 Algorithmes basés sur la densité : ................................................................................. 18
6.2.4 Algorithmes de grille : ................................................................................................... 18
6.2.5 Algorithmes à modèles : ................................................................................................ 18
6.3 Les mesures de qualité d’un Clustering : .............................................................................. 19
6.3.1 La similarité : ................................................................................................................. 19
6.3.2 La distance : ................................................................................................................... 19
6.4 Les domaines d’application du Clustering : .......................................................................... 19
7 Conclusion : .................................................................................................................................. 20
Chapitre 2 : Big Data
1 Introduction : ................................................................................................................................ 22
2 Historique : ................................................................................................................................... 22
3 Définition du Big Data : ................................................................................................................ 23
4 Quelque notion autour du Big Data : ............................................................................................. 23
5 Les caractéristiques du Big Data : ................................................................................................. 23
6 Framework de traitement des Big Data : ....................................................................................... 24
6.1 Tier I: plate-forme de Big Data Mining : .............................................................................. 25
6.2 Tier II : Sémantique des Big Data et connaissance des applications : .................................. 26
6.2.1 Partage de l'information et de la confidentialité des données : ...................................... 26
6.2.2 Connaissance des domaines d’application : .................................................................. 26
6.3 Tier III: Algorithmes de Big Data Mining ............................................................................ 27
6.3.1 Apprentissage et Fusion de modèles des différentes sources d'information : .............. 27
6.3.2 Fouille des données éparses, incertaines et incomplètes : ............................................ 27
6.3.3 Fouille des données complexes et dynamiques : .......................................................... 27
7 Les technologies du Big Data : .................................................................................................... 28
8 Les domaines d’application du Big Data : .................................................................................. 29
9 Les usages du Big Data : ............................................................................................................... 29
10 Le Big Data et les entrepôts de données : .................................................................................. 30
11 Conclusion : ............................................................................................................................... 31
Chapitre 3 : Bioinformatique
1 Introduction : ................................................................................................................................ 33
1.1 Définition de la Biologie : ..................................................................................................... 33
2 Définition de la Bioinformatique : ............................................................................................... 33
3 Les banques et bases de données biologiques : ............................................................................. 34
3.1 Les banques de séquences généralistes : ............................................................................... 34
3.1.1 Les banques de séquences nucléiques : ......................................................................... 34
3.1.2 Les banques de séquences protéiques :.......................................................................... 36
3.2 Les banques de séquences spécialisées : ............................................................................... 36
3.3 Diffusion et utilisation des banques de données : .................................................................. 37
4 Apports à la biologie : ................................................................................................................... 37
4.1 Les algorithmes génétiques : ................................................................................................. 38
4.2 L’analyse de la structure des protéines : ................................................................................ 38
4.3 Les mécanismes de repliement des protéines : .................................................................. 39
4.3.1 Les enjeux de repliement des protéines : ...................................................................... 39
4.3.2 Les approches d’analyse de la structure de protéines : .................................................. 39
4.4 Les algorithmes d'extraction de motif : ................................................................................ 40
4.5 L’analyse des séquences d'ADN : ......................................................................................... 40
4.5.1 Les Algorithmes et les programmes de comparaison de séquences .............................. 41
4.5.2 Les Algorithmes et les programmes d’alignement de séquences AD N : ................... 41
5 Conclusion : .................................................................................................................................. 44
Chapitre 4 : Réalisation
1 Introduction : ................................................................................................................................ 46
2 Travaux connexes : ........................................................................................................................ 46
3 Implémentation : ............................................................................................................................ 46
3.1 Plateforme et langages de programmation : .......................................................................... 46
3.2 La base de données : .............................................................................................................. 47
3.3 L’algorithme choisi : ............................................................................................................. 47
4 Le déroulement du système : ......................................................................................................... 48
4.1 Le premier exemple : ............................................................................................................. 48
4.2 Le deuxième exemple : .......................................................................................................... 52
4.3 Le troisième exemple : .......................................................................................................... 55
5 Conclusion :……………………………………………………........................ ……………..58
Conclusion générale
Perspectives
BibliographieCôte titre : MAI/0048 En ligne : https://drive.google.com/file/d/1GUfkd8q3CwDPHVwJCd18N_oG8U7VSz1j/view?usp=shari [...] Format de la ressource électronique : Extraction de connaissances dans les big data : Application aux données biomédicales [texte imprimé] / SEDJAL, Maroua Yousra ; A Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2015 . - 1 vol (61f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Big Data, ECD, Bioinformatique, Alignement des séquences ADN. Index. décimale : 004 Informatique Résumé : Résumé
La bioinformatique est une discipline qui englobe l'ensemble des applications de l'informatique dans le domaine de la biologie, Elle représente un domaine de recherche très vaste qui a comme objectif adapter les outils informatiques afin de pouvoir stocker, analyser et visualiser les informations contenues dans les multiples sources de données biologiques tel que les séquences d'ADN , ARN et des protéines des êtres vivants.
Dans le domaine de la Data Science, le Big Data étant un ensemble de nouvelles technologies de fouille de données énorme, la bioinformatique lui offre une large quantité de données variée qui peut être exploité afin d'en extraire toutes les informations et connaissances utiles
Le but de notre travail est de développer une application qui aide a extraire des informations et des connaissances a partir des comparaisons des séquences d’ADN, en se basant sur un algorithme biologique tel que l'algorithme d'alignement global et multiple de Needleman et Wunsch, et qui peut être déployer afin de traiter de très grande quantité de données comme les Big Data.
Note de contenu : Table De Matières
Introduction générale
Chapitre 1 : Extraction des connaissances et fouilles de données
1 Introduction : .................................................................................................................................. 2
2 L’extraction des connaissances ....................................................................................................... 2
2.1 Définition : .............................................................................................................................. 2
2.2 Le processus ECD : ................................................................................................................. 3
2.2.1 La donnée : ...................................................................................................................... 3
2.2.2 L’information : ................................................................................................................ 3
2.2.3 La connaissance : ............................................................................................................. 3
2.3 Les phases du processus ECD : ............................................................................................... 4
2.3.1 Phase d’acquisition des données : ................................................................................... 4
2.3.2 Phase de fouille de données : ........................................................................................... 5
2.3.3 Phase de validation et de mise en forme : ....................................................................... 5
2.4 Les types de données exploitées dans l’ECD : ........................................................................ 6
2.4.1 Les données disponibles en permanence : ....................................................................... 6
2.4.2. Les données disponibles temporelles : .................................................................................. 6
2.5 Les types de connaissances dans l’ECD : ................................................................................ 7
3 L’apprentissage automatique ........................................................................................................... 7
3.1 Définition de l’apprentissage automatique : ............................................................................ 7
3.2 Algorithmes de l’apprentissage automatique : ........................................................................ 7
3.2.1 L'apprentissage supervisé : .............................................................................................. 7
3.2.2 L'apprentissage non-supervisé : ....................................................................................... 8
3.2.3 L'apprentissage par renforcement : .................................................................................. 8
4 La fouille de données (Data Mining) ............................................................................................... 9
4.1 Définition de la fouille de données : ........................................................................................ 9
4.2 Les facteurs d’émergence du Data Mining : ............................................................................ 9
4.2.1 Le volume des bases de données : ................................................................................... 9
4.2.2 Le rapport à la clientèle : ................................................................................................. 9
4.3 Les types de Data Mining : ..................................................................................................... 9
4.4 Les taches de Data Mining : .................................................................................................. 10
4.5 Les types de méthodes du Data Mining : ............................................................................. 11
4.5.1 Les méthodes descriptives (recherche de patterns) : ..................................................... 11
4.5.2 Les méthodes prédictives (modélisation) : .................................................................... 11
4.6 Les logiciels de fouille de données : ...................................................................................... 11
4.6.1 Les logiciels sur PC : .................................................................................................... 11
4.6.2 Logiciels commercialisés sur gros systèmes : ............................................................... 11
5 La classification ............................................................................................................................. 12
5.1 Définition : ............................................................................................................................ 12
5.2 Processus de classification : .................................................................................................. 12
5.2.1 La construction du modèle à partir de l’ensemble d’apprentissage : ............................. 12
5.2.2 L’utilisation du modèle : ............................................................................................... 12
5.3 Evaluation des méthodes de classification : .......................................................................... 12
5.4 Mesures de la qualité d’une méthode de classification : ....................................................... 13
5.5 Méthodes de Classification.................................................................................................... 13
5.5.1 Méthode K-NN (plus proche voisin) : ........................................................................... 13
5.5.2 Réseaux de neurones : ................................................................................................... 13
5.5.3 Classification Bayésienne : ............................................................................................ 14
5.5.4 Arbres de décision : ....................................................................................................... 15
6 La segmentation (Clustering) ....................................................................................................... 16
6.1 Définition : ............................................................................................................................ 16
6.2 Les algorithmes du Clustering : ............................................................................................ 17
6.2.1 Algorithmes de Partitionnement : .................................................................................. 17
6.2.2 Algorithmes hiérarchiques : .......................................................................................... 18
6.2.3 Algorithmes basés sur la densité : ................................................................................. 18
6.2.4 Algorithmes de grille : ................................................................................................... 18
6.2.5 Algorithmes à modèles : ................................................................................................ 18
6.3 Les mesures de qualité d’un Clustering : .............................................................................. 19
6.3.1 La similarité : ................................................................................................................. 19
6.3.2 La distance : ................................................................................................................... 19
6.4 Les domaines d’application du Clustering : .......................................................................... 19
7 Conclusion : .................................................................................................................................. 20
Chapitre 2 : Big Data
1 Introduction : ................................................................................................................................ 22
2 Historique : ................................................................................................................................... 22
3 Définition du Big Data : ................................................................................................................ 23
4 Quelque notion autour du Big Data : ............................................................................................. 23
5 Les caractéristiques du Big Data : ................................................................................................. 23
6 Framework de traitement des Big Data : ....................................................................................... 24
6.1 Tier I: plate-forme de Big Data Mining : .............................................................................. 25
6.2 Tier II : Sémantique des Big Data et connaissance des applications : .................................. 26
6.2.1 Partage de l'information et de la confidentialité des données : ...................................... 26
6.2.2 Connaissance des domaines d’application : .................................................................. 26
6.3 Tier III: Algorithmes de Big Data Mining ............................................................................ 27
6.3.1 Apprentissage et Fusion de modèles des différentes sources d'information : .............. 27
6.3.2 Fouille des données éparses, incertaines et incomplètes : ............................................ 27
6.3.3 Fouille des données complexes et dynamiques : .......................................................... 27
7 Les technologies du Big Data : .................................................................................................... 28
8 Les domaines d’application du Big Data : .................................................................................. 29
9 Les usages du Big Data : ............................................................................................................... 29
10 Le Big Data et les entrepôts de données : .................................................................................. 30
11 Conclusion : ............................................................................................................................... 31
Chapitre 3 : Bioinformatique
1 Introduction : ................................................................................................................................ 33
1.1 Définition de la Biologie : ..................................................................................................... 33
2 Définition de la Bioinformatique : ............................................................................................... 33
3 Les banques et bases de données biologiques : ............................................................................. 34
3.1 Les banques de séquences généralistes : ............................................................................... 34
3.1.1 Les banques de séquences nucléiques : ......................................................................... 34
3.1.2 Les banques de séquences protéiques :.......................................................................... 36
3.2 Les banques de séquences spécialisées : ............................................................................... 36
3.3 Diffusion et utilisation des banques de données : .................................................................. 37
4 Apports à la biologie : ................................................................................................................... 37
4.1 Les algorithmes génétiques : ................................................................................................. 38
4.2 L’analyse de la structure des protéines : ................................................................................ 38
4.3 Les mécanismes de repliement des protéines : .................................................................. 39
4.3.1 Les enjeux de repliement des protéines : ...................................................................... 39
4.3.2 Les approches d’analyse de la structure de protéines : .................................................. 39
4.4 Les algorithmes d'extraction de motif : ................................................................................ 40
4.5 L’analyse des séquences d'ADN : ......................................................................................... 40
4.5.1 Les Algorithmes et les programmes de comparaison de séquences .............................. 41
4.5.2 Les Algorithmes et les programmes d’alignement de séquences AD N : ................... 41
5 Conclusion : .................................................................................................................................. 44
Chapitre 4 : Réalisation
1 Introduction : ................................................................................................................................ 46
2 Travaux connexes : ........................................................................................................................ 46
3 Implémentation : ............................................................................................................................ 46
3.1 Plateforme et langages de programmation : .......................................................................... 46
3.2 La base de données : .............................................................................................................. 47
3.3 L’algorithme choisi : ............................................................................................................. 47
4 Le déroulement du système : ......................................................................................................... 48
4.1 Le premier exemple : ............................................................................................................. 48
4.2 Le deuxième exemple : .......................................................................................................... 52
4.3 Le troisième exemple : .......................................................................................................... 55
5 Conclusion :……………………………………………………........................ ……………..58
Conclusion générale
Perspectives
BibliographieCôte titre : MAI/0048 En ligne : https://drive.google.com/file/d/1GUfkd8q3CwDPHVwJCd18N_oG8U7VSz1j/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0048 MAI/0048 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Extraction de connaissances par inférence : Application au diagnostic médical Type de document : texte imprimé Auteurs : BOURICHE, Imane ; A Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2015 Importance : 1 vol (59f.) Format : 29 cm Langues : Français (fre) Catégories : Informatique
Thèses & Mémoires:InformatiqueMots-clés : IRM, Data Mining, Extraction de connaissance, Segmentation, Modèle d’inférence. Index. décimale : 004 Informatique Résumé : Résumé De nos jours, l’imagerie médicale est en constant évolution, offre un nombre croissant des données. L’un des étapes essentielles dans les sujets de recherche en traitement d’image est la segmentation, pour l'analyse qualitative et quantitative des images acquises, l’extraction des informations utiles, et facilite l’interprétation des particularités difficiles à connaître à l’oeil nu dans des nombreuses pathologies cérébrales.
Le diagnostic médical représente une tâche difficile à réaliser pour le médecin, il repose sur sa propre expérience, sa capacité de raisonnement … Quelle est, par exemple, la probabilité qu’un patient soit atteint de telle ou telle maladie, sachant que certains symptômes ont été observés, mais que d’autres informations ne sont pas connues ? Quelle est la configuration des variables représentant l’état de chacun des composants d’un système, sachant que tel ou tel comportement a été remarqué ? Alors que les informations utilisées sont potentiellement entachées d’incertitude et ambiguës dans la représentation de l’information.
Cette difficulté a conduit à la conception et développement d’un système d’aide au diagnostic. Donc l’objectif consiste à appliquer une méthode d’inférence floue pour la segmentation d'IRM et la détection de lésions atteintes. Afin de facilite l’interprétation des images, fournir des informations détaillés sur les zones d’intérêt et les aspects pathologiques des structures présentes. Cet outil sera toujours fiable, plus rapide et minutieux à la détection des pathologies telles que la sclérose en plaques (SEP).
Note de contenu : Table Des Matières
Introduction générale ........................................................................................................................ 1
Chapitre1 : Introduction à l’apprentissage automatique
1. Introduction ............................................................................................................................... 3
2. Principes de l’apprentissage automatique ................................................................................. 3
3. Les types d’apprentissage automatique .................................................................................... 3
3.1. L’apprentissage supervisé .................................................................................................. 4
3.1.1. Les méthodes ............................................................................................................. 4
3.1.1.1. Les réseaux de neurones .................................................................................... 4
3.1.1.2. Les arbres de décision ........................................................................................ 6
3.1.1.3. Les plus proches voisins ..................................................................................... 8
3.2. l’apprentissage non-supervisé ........................................................................................... 9
3.2.1. Les méthodes ........................................................................................................... 10
3.2.1.1. Segmentation (Clustering) ................................................................................ 10
3.2.1.2. Règles d’association ......................................................................................... 11
3.3. Apprentissage semi-supervisé ......................................................................................... 12
3.4. Apprentissage par renforcement ..................................................................................... 12
4. Conclusion ............................................................................................................................... 13
Chapitre2: L'extraction des connaissances à partir de données (ECD)
1. Introduction ............................................................................................................................. 14
2. Généralité ................................................................................................................................ 14
3. Donnée, information et connaissance ..................................................................................... 15
3.1. Donnée ............................................................................................................................. 15
3.2. Information ...................................................................................................................... 16
3.3. Connaissance .................................................................................................................... 16
4. Définition d’ECD ....................................................................................................................... 16
5. Le processus d’ECD ................................................................................................................... 17
5.1. Caractéristique de processus ECD .................................................................................... 17
5.2. Les étapes de processus ECD ........................................................................................... 18
6. Fouille de données (data mining en anglais) ........................................................................... 21
6.1. Définition .......................................................................................................................... 21
6.2. Succès de la fouille de données ....................................................................................... 21
6.3. Les taches du Data Mining ............................................................................................... 22
6.3.1. La classification ......................................................................................................... 22
6.3.2. L’estimation .............................................................................................................. 22
6.3.3. La prédiction ............................................................................................................. 23
6.3.4. Le groupement par similitude .................................................................................. 23
6.3.5. L’analyse des clusters ............................................................................................... 23
6.3.6. La description ........................................................................................................... 24
6.4. Les méthodes de Data Mining .......................................................................................... 24
6.4.1. Les méthodes classiques .......................................................................................... 24
6.4.2. Les méthodes sophistiquées .................................................................................... 24
6.5. Domaines d’application du Data Mining .......................................................................... 24
7. Conclusion ............................................................................................................................... 25
Chapitre3: La Problématique de la segmentation des images médicales
1. Introduction ............................................................................................................................. 26
2. Définition d’imagerie médicale ................................................................................................ 26
3. Le but de l’imagerie médicale .................................................................................................. 26
4. Qu’est-ce que la segmentation? .............................................................................................. 27
5. Segmentation d’IRM Cérébrale ................................................................................................ 28
5.1. La segmentation automatique des IRM cérébrales ......................................................... 28
6. Objectif de segmentation d’image ........................................................................................... 29
7. Les différentes méthodes de segmentation ............................................................................ 30
7.1. Méthodes basées sur les mesures de Similarités (Approches Région) ............................ 30
7.1.1. Seuillages .................................................................................................................. 30
7.1.2. Croissance de régions ............................................................................................... 30
7.1.3. Division-fusion de régions ........................................................................................ 31
7.1.3.1. Phase de Split (Division) ................................................................................... 32
7.1.3.2. Phase de Merge (fusion) .................................................................................. 32
7.2. Approches contours (frontières) ...................................................................................... 33
7.3. Approche fouille de données (segmentation par classification) ...................................... 33
7.3.1. Méthodes de classification supervisées ................................................................... 34
7.3.2. Méthodes de classification non supervisées ............................................................ 34 8. Difficultés liées à la segmentation des images cérébrales [Meziane 2011]............................. 34
9. Conclusion ............................................................................................................................... 34
Chapitre4: Les Modèles D'inférence
1. Introduction ............................................................................................................................. 35
2. L’inférence ............................................................................................................................... 35
2.1. L’inférence exacte ............................................................................................................ 35
2.2. L’inférence approximative ............................................................................................... 36
3. Logique classique et logique floue ........................................................................................... 36
4. La logique floue ........................................................................................................................ 36
4.1. La théorie des ensembles flous ........................................................................................ 37
4.1.1. Notion d’appartenance partielle .............................................................................. 37
4.1.2. Fonctions d’appartenance ........................................................................................ 37
4.2. Inférence floue ................................................................................................................. 39
4.3. Règles d’inférence ............................................................................................................ 39
4.3.1. Opérateurs ............................................................................................................... 40
4.4. Système d'inférence floue ................................................................................................ 40
4.4.1. La Fuzzification ......................................................................................................... 40
4.4.2. Base de connaissances ............................................................................................. 41
4.4.2.1. La base de données .......................................................................................... 41
4.4.2.2. La base des règles floues .................................................................................. 41
4.4.3. Le mécanisme d’inférence floue .............................................................................. 42
4.4.3.1. Méthode d’inférence MAX-MIN (Mamdani) .................................................... 42
4.4.3.2. Méthode d'inférence MAX-PROD (Larsen) ...................................................... 44
4.4.3.3. Méthode d'inférence SOMME-PROD (Sugeno) ................................................ 44
4.4.4. Défuzzification .......................................................................................................... 45
5. Réseau bayésien et inférence .................................................................................................. 45
5.1. Réseau bayésien ............................................................................................................... 45
5.2. Réseaux Bayésiens et Diagnostic Médical ........................................................................ 46
5.3. Inférence bayésienne ....................................................................................................... 46
6. Inférence Markovienne ............................................................................................................ 47
7. Travaux connexes (Etat de l’art) : ............................................................................................. 47
8. Conclusion ............................................................................................................................... 49
Chapitre5: Conception et Réalisation
1. Introduction ............................................................................................................................. 50
2. Environnement de développement de système ...................................................................... 50
2.1. Environnement matériel .................................................................................................. 50
2.2. Environnement logiciel..................................................................................................... 50
3. Images utilisées ........................................................................................................................ 51
4. Description générale de système ............................................................................................. 51
4.1. Description de fichier règles SEP .......................................................................................... 52
5. Méthodologie de la conception ............................................................................................... 53
6. Evaluation et étude comparative ............................................................................................. 53
5.1. Critères de validation ....................................................................................................... 55
6. Présentation de prototype ....................................................................................................... 56
6.1. Fonctionnement de l’application ..................................................................................... 56
6.1.1. Espace d’accueil ....................................................................................................... 56
6.1.2. Espace de traitement d’image ................................................................................. 56
6.1.3. Espace des règles de SEP .......................................................................................... 58
6.1.4. Espace de résultat graphique ................................................................................... 58
6.1.5. Espace de diagnostic ................................................................................................ 59
7. Analyse des résultats ................................................................................................................ 59
8. Conclusion ............................................................................................................................... 59
Conclusion générale ......................................................................................................................... 60Côte titre : MAI/0051 En ligne : https://drive.google.com/file/d/1T2SR5DlrWnbrDyhOa94E3GT_oenMNO_-/view?usp=shari [...] Format de la ressource électronique : Extraction de connaissances par inférence : Application au diagnostic médical [texte imprimé] / BOURICHE, Imane ; A Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2015 . - 1 vol (59f.) ; 29 cm.
Langues : Français (fre)
Catégories : Informatique
Thèses & Mémoires:InformatiqueMots-clés : IRM, Data Mining, Extraction de connaissance, Segmentation, Modèle d’inférence. Index. décimale : 004 Informatique Résumé : Résumé De nos jours, l’imagerie médicale est en constant évolution, offre un nombre croissant des données. L’un des étapes essentielles dans les sujets de recherche en traitement d’image est la segmentation, pour l'analyse qualitative et quantitative des images acquises, l’extraction des informations utiles, et facilite l’interprétation des particularités difficiles à connaître à l’oeil nu dans des nombreuses pathologies cérébrales.
Le diagnostic médical représente une tâche difficile à réaliser pour le médecin, il repose sur sa propre expérience, sa capacité de raisonnement … Quelle est, par exemple, la probabilité qu’un patient soit atteint de telle ou telle maladie, sachant que certains symptômes ont été observés, mais que d’autres informations ne sont pas connues ? Quelle est la configuration des variables représentant l’état de chacun des composants d’un système, sachant que tel ou tel comportement a été remarqué ? Alors que les informations utilisées sont potentiellement entachées d’incertitude et ambiguës dans la représentation de l’information.
Cette difficulté a conduit à la conception et développement d’un système d’aide au diagnostic. Donc l’objectif consiste à appliquer une méthode d’inférence floue pour la segmentation d'IRM et la détection de lésions atteintes. Afin de facilite l’interprétation des images, fournir des informations détaillés sur les zones d’intérêt et les aspects pathologiques des structures présentes. Cet outil sera toujours fiable, plus rapide et minutieux à la détection des pathologies telles que la sclérose en plaques (SEP).
Note de contenu : Table Des Matières
Introduction générale ........................................................................................................................ 1
Chapitre1 : Introduction à l’apprentissage automatique
1. Introduction ............................................................................................................................... 3
2. Principes de l’apprentissage automatique ................................................................................. 3
3. Les types d’apprentissage automatique .................................................................................... 3
3.1. L’apprentissage supervisé .................................................................................................. 4
3.1.1. Les méthodes ............................................................................................................. 4
3.1.1.1. Les réseaux de neurones .................................................................................... 4
3.1.1.2. Les arbres de décision ........................................................................................ 6
3.1.1.3. Les plus proches voisins ..................................................................................... 8
3.2. l’apprentissage non-supervisé ........................................................................................... 9
3.2.1. Les méthodes ........................................................................................................... 10
3.2.1.1. Segmentation (Clustering) ................................................................................ 10
3.2.1.2. Règles d’association ......................................................................................... 11
3.3. Apprentissage semi-supervisé ......................................................................................... 12
3.4. Apprentissage par renforcement ..................................................................................... 12
4. Conclusion ............................................................................................................................... 13
Chapitre2: L'extraction des connaissances à partir de données (ECD)
1. Introduction ............................................................................................................................. 14
2. Généralité ................................................................................................................................ 14
3. Donnée, information et connaissance ..................................................................................... 15
3.1. Donnée ............................................................................................................................. 15
3.2. Information ...................................................................................................................... 16
3.3. Connaissance .................................................................................................................... 16
4. Définition d’ECD ....................................................................................................................... 16
5. Le processus d’ECD ................................................................................................................... 17
5.1. Caractéristique de processus ECD .................................................................................... 17
5.2. Les étapes de processus ECD ........................................................................................... 18
6. Fouille de données (data mining en anglais) ........................................................................... 21
6.1. Définition .......................................................................................................................... 21
6.2. Succès de la fouille de données ....................................................................................... 21
6.3. Les taches du Data Mining ............................................................................................... 22
6.3.1. La classification ......................................................................................................... 22
6.3.2. L’estimation .............................................................................................................. 22
6.3.3. La prédiction ............................................................................................................. 23
6.3.4. Le groupement par similitude .................................................................................. 23
6.3.5. L’analyse des clusters ............................................................................................... 23
6.3.6. La description ........................................................................................................... 24
6.4. Les méthodes de Data Mining .......................................................................................... 24
6.4.1. Les méthodes classiques .......................................................................................... 24
6.4.2. Les méthodes sophistiquées .................................................................................... 24
6.5. Domaines d’application du Data Mining .......................................................................... 24
7. Conclusion ............................................................................................................................... 25
Chapitre3: La Problématique de la segmentation des images médicales
1. Introduction ............................................................................................................................. 26
2. Définition d’imagerie médicale ................................................................................................ 26
3. Le but de l’imagerie médicale .................................................................................................. 26
4. Qu’est-ce que la segmentation? .............................................................................................. 27
5. Segmentation d’IRM Cérébrale ................................................................................................ 28
5.1. La segmentation automatique des IRM cérébrales ......................................................... 28
6. Objectif de segmentation d’image ........................................................................................... 29
7. Les différentes méthodes de segmentation ............................................................................ 30
7.1. Méthodes basées sur les mesures de Similarités (Approches Région) ............................ 30
7.1.1. Seuillages .................................................................................................................. 30
7.1.2. Croissance de régions ............................................................................................... 30
7.1.3. Division-fusion de régions ........................................................................................ 31
7.1.3.1. Phase de Split (Division) ................................................................................... 32
7.1.3.2. Phase de Merge (fusion) .................................................................................. 32
7.2. Approches contours (frontières) ...................................................................................... 33
7.3. Approche fouille de données (segmentation par classification) ...................................... 33
7.3.1. Méthodes de classification supervisées ................................................................... 34
7.3.2. Méthodes de classification non supervisées ............................................................ 34 8. Difficultés liées à la segmentation des images cérébrales [Meziane 2011]............................. 34
9. Conclusion ............................................................................................................................... 34
Chapitre4: Les Modèles D'inférence
1. Introduction ............................................................................................................................. 35
2. L’inférence ............................................................................................................................... 35
2.1. L’inférence exacte ............................................................................................................ 35
2.2. L’inférence approximative ............................................................................................... 36
3. Logique classique et logique floue ........................................................................................... 36
4. La logique floue ........................................................................................................................ 36
4.1. La théorie des ensembles flous ........................................................................................ 37
4.1.1. Notion d’appartenance partielle .............................................................................. 37
4.1.2. Fonctions d’appartenance ........................................................................................ 37
4.2. Inférence floue ................................................................................................................. 39
4.3. Règles d’inférence ............................................................................................................ 39
4.3.1. Opérateurs ............................................................................................................... 40
4.4. Système d'inférence floue ................................................................................................ 40
4.4.1. La Fuzzification ......................................................................................................... 40
4.4.2. Base de connaissances ............................................................................................. 41
4.4.2.1. La base de données .......................................................................................... 41
4.4.2.2. La base des règles floues .................................................................................. 41
4.4.3. Le mécanisme d’inférence floue .............................................................................. 42
4.4.3.1. Méthode d’inférence MAX-MIN (Mamdani) .................................................... 42
4.4.3.2. Méthode d'inférence MAX-PROD (Larsen) ...................................................... 44
4.4.3.3. Méthode d'inférence SOMME-PROD (Sugeno) ................................................ 44
4.4.4. Défuzzification .......................................................................................................... 45
5. Réseau bayésien et inférence .................................................................................................. 45
5.1. Réseau bayésien ............................................................................................................... 45
5.2. Réseaux Bayésiens et Diagnostic Médical ........................................................................ 46
5.3. Inférence bayésienne ....................................................................................................... 46
6. Inférence Markovienne ............................................................................................................ 47
7. Travaux connexes (Etat de l’art) : ............................................................................................. 47
8. Conclusion ............................................................................................................................... 49
Chapitre5: Conception et Réalisation
1. Introduction ............................................................................................................................. 50
2. Environnement de développement de système ...................................................................... 50
2.1. Environnement matériel .................................................................................................. 50
2.2. Environnement logiciel..................................................................................................... 50
3. Images utilisées ........................................................................................................................ 51
4. Description générale de système ............................................................................................. 51
4.1. Description de fichier règles SEP .......................................................................................... 52
5. Méthodologie de la conception ............................................................................................... 53
6. Evaluation et étude comparative ............................................................................................. 53
5.1. Critères de validation ....................................................................................................... 55
6. Présentation de prototype ....................................................................................................... 56
6.1. Fonctionnement de l’application ..................................................................................... 56
6.1.1. Espace d’accueil ....................................................................................................... 56
6.1.2. Espace de traitement d’image ................................................................................. 56
6.1.3. Espace des règles de SEP .......................................................................................... 58
6.1.4. Espace de résultat graphique ................................................................................... 58
6.1.5. Espace de diagnostic ................................................................................................ 59
7. Analyse des résultats ................................................................................................................ 59
8. Conclusion ............................................................................................................................... 59
Conclusion générale ......................................................................................................................... 60Côte titre : MAI/0051 En ligne : https://drive.google.com/file/d/1T2SR5DlrWnbrDyhOa94E3GT_oenMNO_-/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0051 MAI/0051 Mémoire Bibliothéque des sciences Français Disponible
DisponibleExtraction de connaissances à partir de données multi-spectrales : cas des images MSG / Bilal Bouaita
Titre : Extraction de connaissances à partir de données multi-spectrales : cas des images MSG Type de document : texte imprimé Auteurs : Bilal Bouaita Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (100 f .) Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Data mining
Images MSG
Algorithme Apriori
Règles d’association floues
Algorithme c-moyennes floues (FCM)Index. décimale : 004 Informatique Résumé : Le satellite Météosat Seconde Génération (MSG) transmet des images de l’observation de la
terre toutes les quinze minutes dans douze bandes spectrales différentes. Il nous permet de
suivre des phénomènes qui se déroulent à la surface de la planète. Notre travail porte sur un
phénomène météorologique important, les précipitations. Pour estimer les précipitations à partir
des images MSG, la majorité des études effectuées ne profitent que des données de quelques
canaux, ils n’exploitent pas suffisamment toutes les données fournies par ce satellite alors que
ces téraoctets de données sont potentiellement riches en ressources inouïes qui demandent à
être exploitées. De plus, ces études classifient les pixels à une classe d’une manière classique,
par exemple un pixel est considéré 100 % précipitant où bien à 0 % non précipitant alors qu’on
ne peut réellement le classifier d’une manière nette et précise. Pour cela, nous avons proposé
une méthode qui exploite les images des canaux et construit un modèle sous la forme de règles
d’association floues pour estimer les précipitations dans le nord-est de l’Algérie. Chaque règle
est sous la forme de : si (condition) alors (conclusion), où la condition est une combinaison des
différentes classes floues des images MSG, et la conclusion contient une seule classe floue qui
représente l’intensité de précipitations : pas de précipitations, faible, modérée et forte. Les
résultats obtenus sont comparés aux données obtenues par le produit MPE d'estimation des
précipitations de l’organisation européenne pour l’exploitation de satellites météorologiques
(EUMETSAT).Côte titre : DI/0046 En ligne : https://drive.google.com/file/d/1r6kch8WF6XbjNCWJ_cQAEV49GTtC-IK4/view?usp=shari [...] Extraction de connaissances à partir de données multi-spectrales : cas des images MSG [texte imprimé] / Bilal Bouaita . - [S.l.] : Setif:UFA, 2020 . - 1 vol (100 f .).
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Data mining
Images MSG
Algorithme Apriori
Règles d’association floues
Algorithme c-moyennes floues (FCM)Index. décimale : 004 Informatique Résumé : Le satellite Météosat Seconde Génération (MSG) transmet des images de l’observation de la
terre toutes les quinze minutes dans douze bandes spectrales différentes. Il nous permet de
suivre des phénomènes qui se déroulent à la surface de la planète. Notre travail porte sur un
phénomène météorologique important, les précipitations. Pour estimer les précipitations à partir
des images MSG, la majorité des études effectuées ne profitent que des données de quelques
canaux, ils n’exploitent pas suffisamment toutes les données fournies par ce satellite alors que
ces téraoctets de données sont potentiellement riches en ressources inouïes qui demandent à
être exploitées. De plus, ces études classifient les pixels à une classe d’une manière classique,
par exemple un pixel est considéré 100 % précipitant où bien à 0 % non précipitant alors qu’on
ne peut réellement le classifier d’une manière nette et précise. Pour cela, nous avons proposé
une méthode qui exploite les images des canaux et construit un modèle sous la forme de règles
d’association floues pour estimer les précipitations dans le nord-est de l’Algérie. Chaque règle
est sous la forme de : si (condition) alors (conclusion), où la condition est une combinaison des
différentes classes floues des images MSG, et la conclusion contient une seule classe floue qui
représente l’intensité de précipitations : pas de précipitations, faible, modérée et forte. Les
résultats obtenus sont comparés aux données obtenues par le produit MPE d'estimation des
précipitations de l’organisation européenne pour l’exploitation de satellites météorologiques
(EUMETSAT).Côte titre : DI/0046 En ligne : https://drive.google.com/file/d/1r6kch8WF6XbjNCWJ_cQAEV49GTtC-IK4/view?usp=shari [...] Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0046 DI/0046 Thèse Bibliothéque des sciences Français Disponible
DisponibleExtraction des connaissances à partir des séquences d’images d’expression génétique / Amaouche, Samiha
Titre : Extraction des connaissances à partir des séquences d’images d’expression génétique Type de document : texte imprimé Auteurs : Amaouche, Samiha, Auteur ; Mekroud,N, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (78 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé : Résumé
Dans ce travail, nous nous sommes intéressés à l’extraction des règles d’association floues à partir des séquencesd’images d’expression génétiquede l’espèce modèle « Edinburg Mouse ». Diverses techniques de prétraitement des images numériques ont été utilisées, commençant par l’indexation des images colorées en mode RVB, jusqu'à la sélection des variables les plus pertinentes pour réduire la complexité de l’algorithme développé. Ensuite on a représenté les données à traiter suivant les bases de la logique floue, en définissant ainsi une fonction d’appartenance de chaque attribut à chaque sous-ensemble flou. A la fin, on a généré les itemsets flous ainsi que les règles d’association floues suivant des seuils adéquats pour chaque paramètre de l’algorithme proposé. Ce travail a beaucoup enrichi nos connaissances dans le domaine de la bioinformatique, ainsi que dans la maitrise des techniques d’Extraction des Connaissances à partir de Données (ECD) et les méthodes de fouille des données. Aussi, ce projet nous a permis d’approfondir nos connaissances sur la méthode d’extraction des règles d’associations et sur les notions de la logique floue. Et enfin, on a appris aussi la programmation sous le puissant environnement de programmation MatLab, spécialement coté techniques de traitement d’images numériques. Nous proposons comme perspective d'inclure les aspects temporels présents dans la base de données d’expression génétique, fournissant ainsi des règles qui définissent les relations entre les différentes phases de développement de l’embryon de l’espèce modèle « Edinburgh MouseNote de contenu : Sommaire
Table des matières
REMERCIEMENTS ............................................................................................................................... 2
Introduction générale ........................................................................................................ 10
CHAPITRE 01 Etat de L’art sur la bionformatique
Etat de l’art sur la bioinformatique ..............................................................
1. Introduction .......................................................................................................... 13
2. Quelques définitions de la bio-informatique ................................................................................. 13
2.1 Définition 01.......................................................................................................................... 13
2.2 Définition 02.......................................................................................................................... 13
2.3 Définition 03.......................................................................................................................... 14
3. Historique .............................................................................................................. 14
4. L e but de la bioinformatique ........................................................................................................ 16
5. Les grands domaines d’application de la bioinformatique ............................................................ 16
6. Quelques précisions biologiques ................................................................................................... 17
7. Les Banques de données ............................................................................................................... 19
7.1 Les banques de données généralistes .................................................................................... 19
7.2 Les banques de données spécialisées ................................................................................... 19
7.3- Les images d’expression génétique ............................................................................................ 19
8. L’imagerie in vivo des expressions génétiques ............................................................................. 20
8.1 L’imagerie in vivo de l’embryon du « poisson zèbre » ............................................................. 20
8.2 L’imagerie in vivo de l’embryon de « Edinburgh Mouse » ...................................................... 21
8.2.1 L’embryon de la souri .............................................................................................................. 22
9. Conclusion ............................................................................................................... 25
Extraction des connaissances ................................................................................................................ 26
1. Introduction ......................................................................................................... 27
2. Extraction des connaissances à partir de données (ECD/KDD) .................................................... 27
2.1 Nettoyage et intégration des données .................................................................................... 28
2.2 Prétraitement des données ..................................................................................................... 28
2.3 Fouille de données (Data Mining) ......................................................................................... 29
2.4 Evaluation et présentation ..................................................................................................... 29
3. Fouille de données (data mining) .................................................................................................. 30
3.1 Définition .............................................................................................................................. 30
3.2 Principales tâches de fouille de données ............................................................................... 31
3.2.1 La classification ............................................................................................................. 31
3.2.2 L'estimation ................................................................................................................... 31
3.2.3 La prédiction .................................................................................................................. 31
3.2.4 Les règles d'association ................................................................................................. 31
3.2.5 La segmentation ............................................................................................................ 32
4 Les méthodes de fouille de données .............................................................................................. 32
4.1 Segmentation ......................................................................................................................... 32
4.1.1 La méthode des K-Moyennes ........................................................................................ 32
4.1.2 Le FCM ......................................................................................................................... 33
4.1.3 Le PCM ......................................................................................................................... 34
4.2 Classification ......................................................................................................................... 34
4.2.1 Les arbres de décision ................................................................................................... 35
4.2.2 Les réseaux de neurones ................................................................................................ 35
5 Les règles d’association .................................................................................................. 36
5.1 Les Itemsets et autres éléments fondamentaux ..................................................................... 37
5.2 Le processus d’extraction des règles d’associations.............................................................. 37
5.2.1 Sélection et préparation des données ................................................................................... 38
5.2.2 Découverte des Itemsets fréquents ...................................................................................... 38
5.2.3 Génération des règles d’association ................................................................................... 38
5.2.4 Visualisation et interprétation des règles d’association ....................................................... 38
5.3 Types de motifs extraits ........................................................................................................ 38
5.3.1 Base de données binaires ............................................................................................... 39
5.3.2 Base de données quantitatives ....................................................................................... 39
5.3.3 Base de données temporelles ......................................................................................... 40
5.4 Mesure de qualité d’une règle d’association ......................................................................... 40
5.5 L’algorithme Apriori d’Agrawal ........................................................................................... 41
5.5.1 Les propriétés de l’algorithme Apriori .......................................................................... 42
5.5.2 Pseudo-code de l’algorithme APRIORI ........................................................................ 42
5.6 Algorithme de génération des règles d’association ............................................................... 43
5.7 Exemple d’extraction de règle d’association ......................................................................... 44
6. L’image Mining ....................................................................................................... 47
6.1 Transformation, filtrage et mise en forme .................................................................................. 47
6.2 Extraction des caractéristiques ................................................................................................... 47
6.3 Mise en oeuvre des méthodes de data mining ........................................................................ 48
8 Conclusion .................................................................................................................... 48
Théorie de la logique floue ................................................................................................... 49
1Introduction ......................................................................................................................... 50
1. La théorie des probabilités ............................................................................................................ 50
Le cadre bayésien .......................................................................................................................... 50
2. La théorie des croyances ............................................................................................................... 50
3. La théorie des Possibilités ............................................................................................................. 51
3.1.1 Mesure et distribution de possibilité .............................................................................. 51
3.1.2 Mesure de nécessité ....................................................................................................... 52
4. La logique flou .............................................................................................................................. 53
4.1 Logique classique et logique floue ........................................................................................ 53
4.2 Sous-ensembles flous ............................................................................................................ 54
4.3 L’univers de discoure ............................................................................................................ 54
4.4 Les variables linguistiques .................................................................................................... 55
4.5 Fonction d’appartenance ....................................................................................................... 55
4.6 Caractéristique d’un sous-ensemble floue ............................................................................. 56
4.7 Opérations sur les sous-ensembles flous ............................................................................... 57
4.8 Normes et Conormes triangulaires ........................................................................................ 59
4.8.1 Norme triangulaire, t-norme .......................................................................................... 59
Intersection définie par une t-norme : o ................................................................................ 59
4.8.2 Conorme triangulaire, t-conorme .................................................................................. 59
Union définie par une t-conorme :......................................................................................... 60
5. Les règles d’association floues ...................................................................................................... 60
5.1 Définitions : Item flou, Itemset flous, Itemset flous fréquent ..................................................... 61
5.2 Mesures de qualité des Itemsets flous .................................................................................. 61
5.2.1 Le degré d’un Itemset (X,A) ................................................................................................ 61
5.2.2 Supportd’un Itemset (Côte titre : MAI/0225 En ligne : https://drive.google.com/file/d/1mTQUGDxRwNvd3_DsM2de201TgrCKJGB-/view?usp=shari [...] Format de la ressource électronique : Extraction des connaissances à partir des séquences d’images d’expression génétique [texte imprimé] / Amaouche, Samiha, Auteur ; Mekroud,N, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (78 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé : Résumé
Dans ce travail, nous nous sommes intéressés à l’extraction des règles d’association floues à partir des séquencesd’images d’expression génétiquede l’espèce modèle « Edinburg Mouse ». Diverses techniques de prétraitement des images numériques ont été utilisées, commençant par l’indexation des images colorées en mode RVB, jusqu'à la sélection des variables les plus pertinentes pour réduire la complexité de l’algorithme développé. Ensuite on a représenté les données à traiter suivant les bases de la logique floue, en définissant ainsi une fonction d’appartenance de chaque attribut à chaque sous-ensemble flou. A la fin, on a généré les itemsets flous ainsi que les règles d’association floues suivant des seuils adéquats pour chaque paramètre de l’algorithme proposé. Ce travail a beaucoup enrichi nos connaissances dans le domaine de la bioinformatique, ainsi que dans la maitrise des techniques d’Extraction des Connaissances à partir de Données (ECD) et les méthodes de fouille des données. Aussi, ce projet nous a permis d’approfondir nos connaissances sur la méthode d’extraction des règles d’associations et sur les notions de la logique floue. Et enfin, on a appris aussi la programmation sous le puissant environnement de programmation MatLab, spécialement coté techniques de traitement d’images numériques. Nous proposons comme perspective d'inclure les aspects temporels présents dans la base de données d’expression génétique, fournissant ainsi des règles qui définissent les relations entre les différentes phases de développement de l’embryon de l’espèce modèle « Edinburgh MouseNote de contenu : Sommaire
Table des matières
REMERCIEMENTS ............................................................................................................................... 2
Introduction générale ........................................................................................................ 10
CHAPITRE 01 Etat de L’art sur la bionformatique
Etat de l’art sur la bioinformatique ..............................................................
1. Introduction .......................................................................................................... 13
2. Quelques définitions de la bio-informatique ................................................................................. 13
2.1 Définition 01.......................................................................................................................... 13
2.2 Définition 02.......................................................................................................................... 13
2.3 Définition 03.......................................................................................................................... 14
3. Historique .............................................................................................................. 14
4. L e but de la bioinformatique ........................................................................................................ 16
5. Les grands domaines d’application de la bioinformatique ............................................................ 16
6. Quelques précisions biologiques ................................................................................................... 17
7. Les Banques de données ............................................................................................................... 19
7.1 Les banques de données généralistes .................................................................................... 19
7.2 Les banques de données spécialisées ................................................................................... 19
7.3- Les images d’expression génétique ............................................................................................ 19
8. L’imagerie in vivo des expressions génétiques ............................................................................. 20
8.1 L’imagerie in vivo de l’embryon du « poisson zèbre » ............................................................. 20
8.2 L’imagerie in vivo de l’embryon de « Edinburgh Mouse » ...................................................... 21
8.2.1 L’embryon de la souri .............................................................................................................. 22
9. Conclusion ............................................................................................................... 25
Extraction des connaissances ................................................................................................................ 26
1. Introduction ......................................................................................................... 27
2. Extraction des connaissances à partir de données (ECD/KDD) .................................................... 27
2.1 Nettoyage et intégration des données .................................................................................... 28
2.2 Prétraitement des données ..................................................................................................... 28
2.3 Fouille de données (Data Mining) ......................................................................................... 29
2.4 Evaluation et présentation ..................................................................................................... 29
3. Fouille de données (data mining) .................................................................................................. 30
3.1 Définition .............................................................................................................................. 30
3.2 Principales tâches de fouille de données ............................................................................... 31
3.2.1 La classification ............................................................................................................. 31
3.2.2 L'estimation ................................................................................................................... 31
3.2.3 La prédiction .................................................................................................................. 31
3.2.4 Les règles d'association ................................................................................................. 31
3.2.5 La segmentation ............................................................................................................ 32
4 Les méthodes de fouille de données .............................................................................................. 32
4.1 Segmentation ......................................................................................................................... 32
4.1.1 La méthode des K-Moyennes ........................................................................................ 32
4.1.2 Le FCM ......................................................................................................................... 33
4.1.3 Le PCM ......................................................................................................................... 34
4.2 Classification ......................................................................................................................... 34
4.2.1 Les arbres de décision ................................................................................................... 35
4.2.2 Les réseaux de neurones ................................................................................................ 35
5 Les règles d’association .................................................................................................. 36
5.1 Les Itemsets et autres éléments fondamentaux ..................................................................... 37
5.2 Le processus d’extraction des règles d’associations.............................................................. 37
5.2.1 Sélection et préparation des données ................................................................................... 38
5.2.2 Découverte des Itemsets fréquents ...................................................................................... 38
5.2.3 Génération des règles d’association ................................................................................... 38
5.2.4 Visualisation et interprétation des règles d’association ....................................................... 38
5.3 Types de motifs extraits ........................................................................................................ 38
5.3.1 Base de données binaires ............................................................................................... 39
5.3.2 Base de données quantitatives ....................................................................................... 39
5.3.3 Base de données temporelles ......................................................................................... 40
5.4 Mesure de qualité d’une règle d’association ......................................................................... 40
5.5 L’algorithme Apriori d’Agrawal ........................................................................................... 41
5.5.1 Les propriétés de l’algorithme Apriori .......................................................................... 42
5.5.2 Pseudo-code de l’algorithme APRIORI ........................................................................ 42
5.6 Algorithme de génération des règles d’association ............................................................... 43
5.7 Exemple d’extraction de règle d’association ......................................................................... 44
6. L’image Mining ....................................................................................................... 47
6.1 Transformation, filtrage et mise en forme .................................................................................. 47
6.2 Extraction des caractéristiques ................................................................................................... 47
6.3 Mise en oeuvre des méthodes de data mining ........................................................................ 48
8 Conclusion .................................................................................................................... 48
Théorie de la logique floue ................................................................................................... 49
1Introduction ......................................................................................................................... 50
1. La théorie des probabilités ............................................................................................................ 50
Le cadre bayésien .......................................................................................................................... 50
2. La théorie des croyances ............................................................................................................... 50
3. La théorie des Possibilités ............................................................................................................. 51
3.1.1 Mesure et distribution de possibilité .............................................................................. 51
3.1.2 Mesure de nécessité ....................................................................................................... 52
4. La logique flou .............................................................................................................................. 53
4.1 Logique classique et logique floue ........................................................................................ 53
4.2 Sous-ensembles flous ............................................................................................................ 54
4.3 L’univers de discoure ............................................................................................................ 54
4.4 Les variables linguistiques .................................................................................................... 55
4.5 Fonction d’appartenance ....................................................................................................... 55
4.6 Caractéristique d’un sous-ensemble floue ............................................................................. 56
4.7 Opérations sur les sous-ensembles flous ............................................................................... 57
4.8 Normes et Conormes triangulaires ........................................................................................ 59
4.8.1 Norme triangulaire, t-norme .......................................................................................... 59
Intersection définie par une t-norme : o ................................................................................ 59
4.8.2 Conorme triangulaire, t-conorme .................................................................................. 59
Union définie par une t-conorme :......................................................................................... 60
5. Les règles d’association floues ...................................................................................................... 60
5.1 Définitions : Item flou, Itemset flous, Itemset flous fréquent ..................................................... 61
5.2 Mesures de qualité des Itemsets flous .................................................................................. 61
5.2.1 Le degré d’un Itemset (X,A) ................................................................................................ 61
5.2.2 Supportd’un Itemset (Côte titre : MAI/0225 En ligne : https://drive.google.com/file/d/1mTQUGDxRwNvd3_DsM2de201TgrCKJGB-/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0225 MAI/0225 Mémoire Bibliothéque des sciences Français Disponible
DisponiblePermalinkExtraction, évaluation de l'activité antioxydante et prédiction des propriétés Drug-likeness de la Curcumine et ses dérivés synthétisés. / Mendouche ,Asma
PermalinkExtraction de la Flavone " Nobilétine " à partir d'un Complément Alimentaire et d'un Citrus. / Houam ,afaf
PermalinkExtraction des motifs séquentiels possibilistes à partir des données d’expression génétique / Boukaroura ,mohamed
PermalinkPermalinkFabrication des hétérojonctions p-n à base des oxydes métalliques semi-conducteurs et transparents par voie électrochimique / Melle BELKADI Amel
PermalinkPermalinkFabrication par voie électrochimique de nanostructures de cuivre pour des applications en microélectrinique avancées (interconnection). / Mansouri, Ouassila
PermalinkFast fuzzy c-menas for mr brain image segmentation / Serti,Chouaib
PermalinkPermalinkFermionic Pair C reation in Bianchi I Universe with the P resence of an Electric F ield / Sakhraoui, Wafa
PermalinkPermalinkPermalinkFonctionnalisation du poly(4-vinylpyridine-codivinylbenzene) par un complexe de coordination à base d’un ligand type base de Schiff / Zahir Bait
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink