University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Noureddine Mekroud |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Deep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique / Rim Chemsse Rezig
Titre : Deep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique Type de document : texte imprimé Auteurs : Rim Chemsse Rezig, Auteur ; Aicha Haddad, Auteur ; Noureddine Mekroud, Directeur de thèse Année de publication : 2023 Importance : 1 vol (95 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning Bio-informatique Images d’Expression Génétique Modèles génératifs Théorie de l’incertain Règles d’Association Bioinformatics Gene Expression Images Generative Models Uncertain Theory Association Rules. Index. décimale : 004 Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus étudiées, vu l’importance vitale des connaissances que cachent ces données très volumineuses et hétérogènes et à caractère parfois incertain et imprécis. Une réduction fiable des dimensions des données étudiées réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la qualité de ses résultats. Aussi, introduire les théories de modélisation sous l’incertain (comme la logique floue, possibiliste et évidentielle) est très bénéfique pour assurer une représentation formelle des données biologiques fidèle à la leur réalité.
Dans cette perspective, l’approche proposée est basée sur la modélisation (via les théories de l’incertain) des séquences d’images représentant les zones expressions génétiques lors des phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ». Pour augmenter le nombre de ces images, nous proposons une méthode adéquate à leur contenu basée sur les modèles génératifs. Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences d’image est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via l’algorithme Apriori adapté à la logique évidentielle) les items-sets les plus fréquents qui représentent les gènes qui co-expriment durant les phases de développement de l’embryon de cette espèce. Une interprétation biologique des résultats des deux modélisations proposées (floue et possibiliste) sera ensuite fournie. Les connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants qui cache toujours des secrets=Derived from real-world observations, biological data is one of the most extensively studied types of data, given the vital importance of the knowledge hidden within these voluminous, heterogeneous, uncertain, and sometimes imprecise data. Reliable dimension reduction of the studied data will decrease the complexity of any utilized learning algorithm and help improve the quality of its results. Additionally, introducing modeling theories under uncertainty, such as fuzzy, possibilistic, and evidential logic, is highly beneficial for ensuring a formal representation of biological data that remains faithful to its reality.
In this regard, the proposed approach is based on modeling (using uncertain theories) sequences of images representing genetic expression zones during the growth phases of the "Edinburgh Mouse" model species embryo. To increase the number of these images, we propose a content-based method based on generative models. Subsequently, the extraction of the most relevant features from these image sequences is ensured through a Convolutional Autoencoder. Finally, using the Apriori algorithm adapted to evidential logic, the most frequent itemsets representing co-expressed genes during the developmental phases of this embryo species are extracted. A biological interpretation of the results from the two proposed models (fuzzy and possibilistic) will be provided. The extracted knowledge will assist biologists in better understanding the genome of living organisms, which always harbors secrets
Côte titre : MAI/0770 En ligne : https://drive.google.com/file/d/1cjWyNeTJcpzi6zk-ebSAjmjGvod3Nqyr/view?usp=drive [...] Format de la ressource électronique : Deep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique [texte imprimé] / Rim Chemsse Rezig, Auteur ; Aicha Haddad, Auteur ; Noureddine Mekroud, Directeur de thèse . - 2023 . - 1 vol (95 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning Bio-informatique Images d’Expression Génétique Modèles génératifs Théorie de l’incertain Règles d’Association Bioinformatics Gene Expression Images Generative Models Uncertain Theory Association Rules. Index. décimale : 004 Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus étudiées, vu l’importance vitale des connaissances que cachent ces données très volumineuses et hétérogènes et à caractère parfois incertain et imprécis. Une réduction fiable des dimensions des données étudiées réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la qualité de ses résultats. Aussi, introduire les théories de modélisation sous l’incertain (comme la logique floue, possibiliste et évidentielle) est très bénéfique pour assurer une représentation formelle des données biologiques fidèle à la leur réalité.
Dans cette perspective, l’approche proposée est basée sur la modélisation (via les théories de l’incertain) des séquences d’images représentant les zones expressions génétiques lors des phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ». Pour augmenter le nombre de ces images, nous proposons une méthode adéquate à leur contenu basée sur les modèles génératifs. Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences d’image est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via l’algorithme Apriori adapté à la logique évidentielle) les items-sets les plus fréquents qui représentent les gènes qui co-expriment durant les phases de développement de l’embryon de cette espèce. Une interprétation biologique des résultats des deux modélisations proposées (floue et possibiliste) sera ensuite fournie. Les connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants qui cache toujours des secrets=Derived from real-world observations, biological data is one of the most extensively studied types of data, given the vital importance of the knowledge hidden within these voluminous, heterogeneous, uncertain, and sometimes imprecise data. Reliable dimension reduction of the studied data will decrease the complexity of any utilized learning algorithm and help improve the quality of its results. Additionally, introducing modeling theories under uncertainty, such as fuzzy, possibilistic, and evidential logic, is highly beneficial for ensuring a formal representation of biological data that remains faithful to its reality.
In this regard, the proposed approach is based on modeling (using uncertain theories) sequences of images representing genetic expression zones during the growth phases of the "Edinburgh Mouse" model species embryo. To increase the number of these images, we propose a content-based method based on generative models. Subsequently, the extraction of the most relevant features from these image sequences is ensured through a Convolutional Autoencoder. Finally, using the Apriori algorithm adapted to evidential logic, the most frequent itemsets representing co-expressed genes during the developmental phases of this embryo species are extracted. A biological interpretation of the results from the two proposed models (fuzzy and possibilistic) will be provided. The extracted knowledge will assist biologists in better understanding the genome of living organisms, which always harbors secrets
Côte titre : MAI/0770 En ligne : https://drive.google.com/file/d/1cjWyNeTJcpzi6zk-ebSAjmjGvod3Nqyr/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0770 MAI/0770 Mémoire Bibliothéque des sciences Français Disponible
DisponibleExtraction des caractéristiques des images d'expression génétique : Comparaison entre les Auto-Encodeurs et l’ACP / Adil Hellali
Titre : Extraction des caractéristiques des images d'expression génétique : Comparaison entre les Auto-Encodeurs et l’ACP Type de document : texte imprimé Auteurs : Adil Hellali, Auteur ; Lahcene Rahmani ; Noureddine Mekroud, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (88 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Bio-informatique
Deep Learning
Auto-Encodeur
Images d’Expression
Génétique
Règles d’Association.Index. décimale : 004 - Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus
étudiées, vu l’importance vitale des connaissances que cachent ces données très
volumineuses et hétérogènes. Une réduction fiable des dimensions des données étudiées
réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la
qualité de ses résultats.
Dans cette perspective, l’approche proposée est basée sur la compression (via des
techniques linéaires (comme l’ACP) et non linéaires (comme l’ACP à Noyau et les AutoEncodeurs)) des séquences d’images représentant les zones expressions génétiques lors des
phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ».
Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences
d’images est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via
l’algorithme Apriori) les item-sets les plus fréquents qui représentent les gènes qui coexpriment durant les phases de développement de l’embryon de cette espèce modèle. Une
interprétation biologique des résultats de l’approche proposée sera ensuite fournie. Les
connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants
qui cache toujours des secrets = Outcomes from the real world, biological data is one of the most studied types of
data, given the vital importance of the knowledge behind this very large and heterogeneous
data. A reliable reduction in the dimensions of the data studied will reduce the complexity
of any learning algorithm used and will help improve the quality of its results.
In this perspective, the proposed approach is based on compression (via linear
techniques (such as ACP) and non-linear (such as ACP to Kernel and Auto-Encoders))
image sequences representing the genetic expression zones during the growth phases of the
embryo of the model species "Edinburgh Mouse".
Then, the extraction of the most relevant characteristics of these image sequences is
ensured via a Convolutive auto-encoder, to finally extract (via the Apriori algorithm) the
most frequent item-sets that represent genes that co-expressed during the development
phases of the embryo of this model species. A biological interpretation of the results of the
proposed approach will then be provided. The knowledge extracted will help biologists
better understand the genome of the living that always hides secrets.
Côte titre : MAI/0810
En ligne : https://drive.google.com/file/d/1QEI2jrrH09z1LkYlNDt8iQhSFIkPMHSd/view?usp=drive [...] Format de la ressource électronique : Extraction des caractéristiques des images d'expression génétique : Comparaison entre les Auto-Encodeurs et l’ACP [texte imprimé] / Adil Hellali, Auteur ; Lahcene Rahmani ; Noureddine Mekroud, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (88 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Bio-informatique
Deep Learning
Auto-Encodeur
Images d’Expression
Génétique
Règles d’Association.Index. décimale : 004 - Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus
étudiées, vu l’importance vitale des connaissances que cachent ces données très
volumineuses et hétérogènes. Une réduction fiable des dimensions des données étudiées
réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la
qualité de ses résultats.
Dans cette perspective, l’approche proposée est basée sur la compression (via des
techniques linéaires (comme l’ACP) et non linéaires (comme l’ACP à Noyau et les AutoEncodeurs)) des séquences d’images représentant les zones expressions génétiques lors des
phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ».
Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences
d’images est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via
l’algorithme Apriori) les item-sets les plus fréquents qui représentent les gènes qui coexpriment durant les phases de développement de l’embryon de cette espèce modèle. Une
interprétation biologique des résultats de l’approche proposée sera ensuite fournie. Les
connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants
qui cache toujours des secrets = Outcomes from the real world, biological data is one of the most studied types of
data, given the vital importance of the knowledge behind this very large and heterogeneous
data. A reliable reduction in the dimensions of the data studied will reduce the complexity
of any learning algorithm used and will help improve the quality of its results.
In this perspective, the proposed approach is based on compression (via linear
techniques (such as ACP) and non-linear (such as ACP to Kernel and Auto-Encoders))
image sequences representing the genetic expression zones during the growth phases of the
embryo of the model species "Edinburgh Mouse".
Then, the extraction of the most relevant characteristics of these image sequences is
ensured via a Convolutive auto-encoder, to finally extract (via the Apriori algorithm) the
most frequent item-sets that represent genes that co-expressed during the development
phases of the embryo of this model species. A biological interpretation of the results of the
proposed approach will then be provided. The knowledge extracted will help biologists
better understand the genome of the living that always hides secrets.
Côte titre : MAI/0810
En ligne : https://drive.google.com/file/d/1QEI2jrrH09z1LkYlNDt8iQhSFIkPMHSd/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0810 MAI/0810 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Extraction des règles d'association en logique évidentielle : Modélisation des distances adéquates aux données d'expression génétique Type de document : texte imprimé Auteurs : Imene Loukia, Auteur ; Mariam Sidibe, Auteur ; Noureddine Mekroud, Directeur de thèse Année de publication : 2022 Importance : 1 vol (76 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. 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 crédibilité et plausibilité. 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 séquences des images d'expression génétique de l'embryon de l'espèce
modèle Edinburg Mouse . Plusieurs techniques ont été utilisées pour réduire la complexit
é de l'algorithme. Il s'agit d'abord du prétraitement des images, ensuite la représentation
de l'imperfection des données traitées suivant le concept évidentiel, en dénissant
ainsi une fonction de masse de chaque attribut pour la génération des itemset évidentiels.
Puis, la génération des règles d'association évidentielles suivant des seuils adéquats pour
chaque paramètre de l'algorithme proposé.
Pour mesurer intérêt des règles d'association extraites coté nouveauté des connaissances
nous avons proposé deux formes de distance : une distance euclidienne entre les zones
d'expression génétique (en primal) et une distance de Khi-Deux entre les gènes qui coexpriment
(en dual). Enn une interprétation biologique via la plateforme string-db.org
est fournie pour aider les biologistes à bien exploiter les connaissances extraites.Côte titre : MAI/0566 En ligne : https://drive.google.com/file/d/1KVX2vadolcEwmwyMh_oqK4DPPg7pj28B/view?usp=share [...] Format de la ressource électronique : Extraction des règles d'association en logique évidentielle : Modélisation des distances adéquates aux données d'expression génétique [texte imprimé] / Imene Loukia, Auteur ; Mariam Sidibe, Auteur ; Noureddine Mekroud, Directeur de thèse . - 2022 . - 1 vol (76 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. 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 crédibilité et plausibilité. 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 séquences des images d'expression génétique de l'embryon de l'espèce
modèle Edinburg Mouse . Plusieurs techniques ont été utilisées pour réduire la complexit
é de l'algorithme. Il s'agit d'abord du prétraitement des images, ensuite la représentation
de l'imperfection des données traitées suivant le concept évidentiel, en dénissant
ainsi une fonction de masse de chaque attribut pour la génération des itemset évidentiels.
Puis, la génération des règles d'association évidentielles suivant des seuils adéquats pour
chaque paramètre de l'algorithme proposé.
Pour mesurer intérêt des règles d'association extraites coté nouveauté des connaissances
nous avons proposé deux formes de distance : une distance euclidienne entre les zones
d'expression génétique (en primal) et une distance de Khi-Deux entre les gènes qui coexpriment
(en dual). Enn une interprétation biologique via la plateforme string-db.org
est fournie pour aider les biologistes à bien exploiter les connaissances extraites.Côte titre : MAI/0566 En ligne : https://drive.google.com/file/d/1KVX2vadolcEwmwyMh_oqK4DPPg7pj28B/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0566 MAI/0566 Mémoire Bibliothéque des sciences Français Disponible
Disponible