Fighting Arabic deep fake text / Debbah,Maria  

Public ISBD Titre : Fighting Arabic deep fake text Type de document : texte imprimé Auteurs : Debbah,Maria, Auteur ; Harrag, Fouz, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (57 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : brofond Faux Texte Détection de texte généré automatiquement langue arabe Médias sociaux, AraBERT, GPT2. Index. décimale : 004 Informatique Résumé : Au cours des deux dernières décennies, nous nous sommes progressivement tournés vers Internet et les médias sociaux pour trouver des nouvelles, entretenir des conversations et partager des opinions. Récemment, OpenAI a développé un système d’apprentissage automatique appelé GPT-2 pour Transformateur préentraîné génératif-2; il est également connu sous le nom de faux profonds pour le texte. Cet outil peut générer des blocs de texte basés sur de brèves invites d’écriture qui semblent avoir été écrites par des humains, ce qui facilite désormais la diffusion de fausses informations. Dans le prolongement de ces progrès, et afin de contrer les dangers potentiels, plusieurs méthodes ont été proposées pour détecter les textes écrits par ces modèles de langage. Dans cet article, nous proposons un modèle basé sur l’apprentissage par transfert qui sera capable de détecter si une phrase arabe est écrite par des humains ou automatiquement générée par des bots. Notre phrase 7k a été collectée en utilisant l’API Twitter pour collecter des tweets manuels et GPT2- Small-Arabic pour générer des phrases arabes. Afin d’évaluer notre modèle, différents modèles basés sur des imbrications de mots de réseaux neuronaux récurrents (RNN) ont été utilisés: LSTM, BI-LSTM, GRU et BI-GRU. Notre nouveau modèle combiné d’apprentissage par transfert a obtenu une précision allant jusqu’à 98 %. À notre connaissance, ce travail est la première étude où ARABERT et gpt2 ont été combinés pour détecter et classer les textes arabes auto-générés. Côte titre : MAI/0344 En ligne : https://drive.google.com/file/d/15fV5VuWfFPx-2A4ZZwNFXOS5uy0vQSxI/view?usp=share [...] Format de la ressource électronique : pdf Fighting Arabic deep fake text [texte imprimé] / Debbah,Maria, Auteur ; Harrag, Fouz, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (57 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : brofond Faux Texte Détection de texte généré automatiquement langue arabe Médias sociaux, AraBERT, GPT2. Index. décimale : 004 Informatique Résumé : Au cours des deux dernières décennies, nous nous sommes progressivement tournés vers Internet et les médias sociaux pour trouver des nouvelles, entretenir des conversations et partager des opinions. Récemment, OpenAI a développé un système d’apprentissage automatique appelé GPT-2 pour Transformateur préentraîné génératif-2; il est également connu sous le nom de faux profonds pour le texte. Cet outil peut générer des blocs de texte basés sur de brèves invites d’écriture qui semblent avoir été écrites par des humains, ce qui facilite désormais la diffusion de fausses informations. Dans le prolongement de ces progrès, et afin de contrer les dangers potentiels, plusieurs méthodes ont été proposées pour détecter les textes écrits par ces modèles de langage. Dans cet article, nous proposons un modèle basé sur l’apprentissage par transfert qui sera capable de détecter si une phrase arabe est écrite par des humains ou automatiquement générée par des bots. Notre phrase 7k a été collectée en utilisant l’API Twitter pour collecter des tweets manuels et GPT2- Small-Arabic pour générer des phrases arabes. Afin d’évaluer notre modèle, différents modèles basés sur des imbrications de mots de réseaux neuronaux récurrents (RNN) ont été utilisés: LSTM, BI-LSTM, GRU et BI-GRU. Notre nouveau modèle combiné d’apprentissage par transfert a obtenu une précision allant jusqu’à 98 %. À notre connaissance, ce travail est la première étude où ARABERT et gpt2 ont été combinés pour détecter et classer les textes arabes auto-générés. Côte titre : MAI/0344 En ligne : https://drive.google.com/file/d/15fV5VuWfFPx-2A4ZZwNFXOS5uy0vQSxI/view?usp=share [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0344	MAI/0344	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Filtrage des images m´edicales bas´e sur l’EDP (EDP-based medical image filtering) / Chaima Benhafed  

Public ISBD Titre : Filtrage des images m´edicales bas´e sur l’EDP (EDP-based medical image filtering) Type de document : texte imprimé Auteurs : Chaima Benhafed, Auteur ; Khalil Boumediene, Auteur ; Berrimi F, Directeur de thèse Année de publication : 2022 Importance : 1 vol (57f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Côte titre : MAI/0601 En ligne : https://drive.google.com/file/d/167kJqlTI699TgdhBSp3npcil6yUabCui/view?usp=share [...] Format de la ressource électronique : pdf Filtrage des images m´edicales bas´e sur l’EDP (EDP-based medical image filtering) [texte imprimé] / Chaima Benhafed, Auteur ; Khalil Boumediene, Auteur ; Berrimi F, Directeur de thèse . - 2022 . - 1 vol (57f .) ; 29cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Côte titre : MAI/0601 En ligne : https://drive.google.com/file/d/167kJqlTI699TgdhBSp3npcil6yUabCui/view?usp=share [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0601	MAI/0601	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Food Hazard Event Extraction based on News and Social Media / Gueliani,Slimane Nadjmeddine  

Public ISBD Titre : Food Hazard Event Extraction based on News and Social Media Type de document : texte imprimé Auteurs : Gueliani,Slimane Nadjmeddine, Auteur ; Harrag,Fouzi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (74 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Social media Event Extraction Food Hazards Named Entity Recurrent Neural Networks Index. décimale : 004 - Informatique Résumé : Exchanging textual data is the most popular communication among social media users. It has become a necessity for treatment. Event extraction indicates an understanding of events across social media posts streams. Event extraction helps to take faster corrective action in natural disasters, and may save lives. The main objective of the system is to develop specific model to detect and extract the events (incidents) identified in the digital text. We proposed here a model based on Deep recurrent networks a to extract the events related to food hazard from news and social media feeds, and detect named entities for those food hazards. Then filled a food hazard template. Later, the output data which is the food hazard template could be displayed as a warning system, or used as decision support for stakeholders. Note de contenu : Sommaire pter 1 ........................................................................................................................................................1 Introduction ....................................................................................................................................................1 Problematic and motivation.........................................................................................................................1 Project goals ...............................................................................................................................................2 Thesis structure............................................................................................................................................2 Chapter 2 State of the art................................................................................................................................3 State of the art ................................................................................................................................................3 Food hazards................................................................................................................................................3 Physical hazards ...........................................................................................................................................4 chemical hazards .........................................................................................................................................4 biological hazards...........................................................................................................................................4 HACCP...........................................................................................................................................................5 Social media ...................................................................................................................................................8 Data mining ....................................................................................................................................................9 Deep learning ...............................................................................................................................................15 Neural networks ...........................................................................................................................................16 Convolutional Neural Network ....................................................................................................................17 Recurrent Neural Network ...........................................................................................................................18 Text mining ..................................................................................................................................................21 Natural Language Processing ......................................................................................................................21 Information Retrieval ...................................................................................................................................21 Information Extraction .................................................................................................................................22 Named entity recognition .............................................................................................................................25 Related Works ..............................................................................................................................................30 Conclusion....................................................................................................................................................37 Chapter 3 Proposed System..........................................................................................................................38 System description .......................................................................................................................................38 System architecture ......................................................................................................................................38 System components......................................................................................................................................45 Evaluations metrics ......................................................................................................................................46 Languages and tools .....................................................................................................................................47 Conclusion....................................................................................................................................................49 Chapter 4 Implementation and Results.........................................................................................................50 Data collection process.................................................................................................................................50 Text analysis process....................................................................................................................................52 Information extraction process.....................................................................................................................56 Named entity recognition .............................................................................................................................56 Preparing input for the model.......................................................................................................................59 Preparing output for model...........................................................................................................................62 Turning data into sequences .........................................................................................................................63 Prepare the test data for scoring ...................................................................................................................63 Create the model...........................................................................................................................................63 Train the model ............................................................................................................................................64 Results and experiments...............................................................................................................................65 General Conclusion and perspectives...........................................................................................................73 Bibliography ................................................................................................................................................73 Côte titre : MAI/0323 En ligne : https://drive.google.com/file/d/1TLYW830cezsU-EYJiKnsjIFFzZCdQxst/view?usp=shari [...] Format de la ressource électronique : pdf Food Hazard Event Extraction based on News and Social Media [texte imprimé] / Gueliani,Slimane Nadjmeddine, Auteur ; Harrag,Fouzi, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (74 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Social media Event Extraction Food Hazards Named Entity Recurrent Neural Networks Index. décimale : 004 - Informatique Résumé : Exchanging textual data is the most popular communication among social media users. It has become a necessity for treatment. Event extraction indicates an understanding of events across social media posts streams. Event extraction helps to take faster corrective action in natural disasters, and may save lives. The main objective of the system is to develop specific model to detect and extract the events (incidents) identified in the digital text. We proposed here a model based on Deep recurrent networks a to extract the events related to food hazard from news and social media feeds, and detect named entities for those food hazards. Then filled a food hazard template. Later, the output data which is the food hazard template could be displayed as a warning system, or used as decision support for stakeholders. Note de contenu : Sommaire pter 1 ........................................................................................................................................................1 Introduction ....................................................................................................................................................1 Problematic and motivation.........................................................................................................................1 Project goals ...............................................................................................................................................2 Thesis structure............................................................................................................................................2 Chapter 2 State of the art................................................................................................................................3 State of the art ................................................................................................................................................3 Food hazards................................................................................................................................................3 Physical hazards ...........................................................................................................................................4 chemical hazards .........................................................................................................................................4 biological hazards...........................................................................................................................................4 HACCP...........................................................................................................................................................5 Social media ...................................................................................................................................................8 Data mining ....................................................................................................................................................9 Deep learning ...............................................................................................................................................15 Neural networks ...........................................................................................................................................16 Convolutional Neural Network ....................................................................................................................17 Recurrent Neural Network ...........................................................................................................................18 Text mining ..................................................................................................................................................21 Natural Language Processing ......................................................................................................................21 Information Retrieval ...................................................................................................................................21 Information Extraction .................................................................................................................................22 Named entity recognition .............................................................................................................................25 Related Works ..............................................................................................................................................30 Conclusion....................................................................................................................................................37 Chapter 3 Proposed System..........................................................................................................................38 System description .......................................................................................................................................38 System architecture ......................................................................................................................................38 System components......................................................................................................................................45 Evaluations metrics ......................................................................................................................................46 Languages and tools .....................................................................................................................................47 Conclusion....................................................................................................................................................49 Chapter 4 Implementation and Results.........................................................................................................50 Data collection process.................................................................................................................................50 Text analysis process....................................................................................................................................52 Information extraction process.....................................................................................................................56 Named entity recognition .............................................................................................................................56 Preparing input for the model.......................................................................................................................59 Preparing output for model...........................................................................................................................62 Turning data into sequences .........................................................................................................................63 Prepare the test data for scoring ...................................................................................................................63 Create the model...........................................................................................................................................63 Train the model ............................................................................................................................................64 Results and experiments...............................................................................................................................65 General Conclusion and perspectives...........................................................................................................73 Bibliography ................................................................................................................................................73 Côte titre : MAI/0323 En ligne : https://drive.google.com/file/d/1TLYW830cezsU-EYJiKnsjIFFzZCdQxst/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0323	MAI/0323	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Forecasting Rainfall Quantity Using Time Series Climatic Data / Fatma Zohra Djamai

Public ISBD Titre : Forecasting Rainfall Quantity Using Time Series Climatic Data Type de document : texte imprimé Auteurs : Fatma Zohra Djamai, Auteur ; Ahlam Lariba ; Nasri,Khaled, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (56 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Rainfall forecasting MSG satellite data Time Series Climatic Data Index. décimale : 004 - Informatique Résumé : Rainfall forecasting, a critical process in water management, agriculture, and flood prevention, involves predicting future precipitation amounts, intensity, duration, and distribution using meteorological data and advanced techniques like machine learning and deep learning. This thesis delves into the realm of rainfall prediction using time series climatic data, starting with an exploration of rainfall types and formation processes, underlining the importance of accurate forecasting. It reviews the state of the art, encompassing machine learning, deep learning, and artificial neural networks, along with discussions on model evaluation metrics and related works. The core of the research introduces a deep learning model for rainfall prediction, elucidating its architecture, training process, and evaluation, demonstrating its efficacy in accurately predicting rainfall quantity. The study aimed to uncover hidden patterns in rainfall using time series deep learning models, leveraging MSG satellite data. With a preprocessing step to adapt raw data to the model inputs, the study compared two time series models, LSTM and TCN, finding TCN to be more performant. Additionally, the efficiency of non-time series models was tested using various MSG data, including HRV images and MPE masks. Note de contenu : Sommaire List of Tables 5 List of Figures 6 List of acronyms 8 General Introduction 10 1 Context of Study 12 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2 Rainfall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3 Type of Rainfall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.1 Frontal Rain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.2 Orographic Rain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.3.3 Convectional Rain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4 The Formation of Rainfall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.5 Rainfall Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.6 Time Series Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7 The Dimensions of Time Series Data . . . . . . . . . . . . . . . . . . . . . . . . 17 1.8 Rainfall Forecasting Using Time Series Data . . . . . . . . . . . . . . . . . . . . 18 1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2 State of the Art and models utilise 19 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.1 Learning Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.4 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.5 Model Evaluation Metrics : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.6 Related Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.7 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3 Deep Learning Model for Rainfall Prediction 35 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.3 Data Collection And Study Area . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.4 Pipeline : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5 Data Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6.1 Time Series Deep Lerning Models . . . . . . . . . . . . . . . . . . . . . 46 3.6.1.1 TCN Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6.1.2 LSTM Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.6.2 Non Time Series Models . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.6.2.1 CNN_XGboost . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.6.2.2 U-Net Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.6.2.3 Hybrid Model CNN-XGBoost With UNET . . . . . . . . . . . . 49 3.7 Results and Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.7.1 Time Series Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.7.2 Non Time Series Models . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 General Conclusion 533 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 Côte titre : MAI/0910 Forecasting Rainfall Quantity Using Time Series Climatic Data [texte imprimé] / Fatma Zohra Djamai, Auteur ; Ahlam Lariba ; Nasri,Khaled, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (56 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Rainfall forecasting MSG satellite data Time Series Climatic Data Index. décimale : 004 - Informatique Résumé : Rainfall forecasting, a critical process in water management, agriculture, and flood prevention, involves predicting future precipitation amounts, intensity, duration, and distribution using meteorological data and advanced techniques like machine learning and deep learning. This thesis delves into the realm of rainfall prediction using time series climatic data, starting with an exploration of rainfall types and formation processes, underlining the importance of accurate forecasting. It reviews the state of the art, encompassing machine learning, deep learning, and artificial neural networks, along with discussions on model evaluation metrics and related works. The core of the research introduces a deep learning model for rainfall prediction, elucidating its architecture, training process, and evaluation, demonstrating its efficacy in accurately predicting rainfall quantity. The study aimed to uncover hidden patterns in rainfall using time series deep learning models, leveraging MSG satellite data. With a preprocessing step to adapt raw data to the model inputs, the study compared two time series models, LSTM and TCN, finding TCN to be more performant. Additionally, the efficiency of non-time series models was tested using various MSG data, including HRV images and MPE masks. Note de contenu : Sommaire List of Tables 5 List of Figures 6 List of acronyms 8 General Introduction 10 1 Context of Study 12 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2 Rainfall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3 Type of Rainfall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.1 Frontal Rain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.2 Orographic Rain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.3.3 Convectional Rain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4 The Formation of Rainfall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.5 Rainfall Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.6 Time Series Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7 The Dimensions of Time Series Data . . . . . . . . . . . . . . . . . . . . . . . . 17 1.8 Rainfall Forecasting Using Time Series Data . . . . . . . . . . . . . . . . . . . . 18 1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2 State of the Art and models utilise 19 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.1 Learning Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.4 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.5 Model Evaluation Metrics : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.6 Related Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.7 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3 Deep Learning Model for Rainfall Prediction 35 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.3 Data Collection And Study Area . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.4 Pipeline : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5 Data Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6.1 Time Series Deep Lerning Models . . . . . . . . . . . . . . . . . . . . . 46 3.6.1.1 TCN Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6.1.2 LSTM Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.6.2 Non Time Series Models . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.6.2.1 CNN_XGboost . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.6.2.2 U-Net Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.6.2.3 Hybrid Model CNN-XGBoost With UNET . . . . . . . . . . . . 49 3.7 Results and Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.7.1 Time Series Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.7.2 Non Time Series Models . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 General Conclusion 533 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 Côte titre : MAI/0910

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0910	MAI/0910	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

Formalisation de Protocolesd'Interaction FIPA avec Maude Déploiement sous Jade du SMA / Samir Bouchiha  

Public ISBD Titre : Formalisation de Protocolesd'Interaction FIPA avec Maude Déploiement sous Jade du SMA Type de document : texte imprimé Auteurs : Samir Bouchiha, Auteur ; Mounir Selmi, Auteur ; Mohamed Amin Laouadi, Directeur de thèse Année de publication : 2022 Importance : 1 vol (77 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : SMA Protocoles d’interaction Index. décimale : 004 Informatique Résumé : Pour accomplir un but dans les Systèmes Multi-Agents (SMA), les agents interagissent entre eux pour échanger des informations, collaborer et coordonner leurs tâches. Les interactions consistent à une description d’un protocole, ce protocole d’interaction joue un rôle important pour le développement des systèmes multi-agents, en définissant les séquences de messages échangés enter les agents. L’objectif de notre travail est la formalisation du protocole d’interaction FIPA-Request en utilisant le langage de spécification formelle Maude. La démarche qu'on a suivie consiste à étudier d’abord les Systèmes Multi-Agents et les principaux protocoles d’interaction standardisés par FIPA, plus particulièrement le protocole d’interaction FIPA-Request. Cette étude consiste à analyser le fonctionnement de protocole FIPA-Request pour identifier les données que doit spécifier un développeur afin de l’intégrer à l’agent en se basant sur le langage de modélisation AUML. Grâce à cette étude on a pu construire un Framework formel générique, extensible qui illustre bien les concepts du protocole FIPA Request en utilisant le langage Maude. Ensuite, on a essayé d'améliorer ce système en combinant entre deux protocoles (Contrat-net, FIPA-Request). Afin de valider ce Framework on a développé une application de SMA «Secourisme» en utilisant JADE et JavaFX. Côte titre : MAI/0660 En ligne : https://drive.google.com/file/d/1E92okWskf77EGasx_FaMMjv0s4tOZ1Jp/view?usp=share [...] Format de la ressource électronique : pdf Formalisation de Protocolesd'Interaction FIPA avec Maude Déploiement sous Jade du SMA [texte imprimé] / Samir Bouchiha, Auteur ; Mounir Selmi, Auteur ; Mohamed Amin Laouadi, Directeur de thèse . - 2022 . - 1 vol (77 f .) ; 29cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : SMA Protocoles d’interaction Index. décimale : 004 Informatique Résumé : Pour accomplir un but dans les Systèmes Multi-Agents (SMA), les agents interagissent entre eux pour échanger des informations, collaborer et coordonner leurs tâches. Les interactions consistent à une description d’un protocole, ce protocole d’interaction joue un rôle important pour le développement des systèmes multi-agents, en définissant les séquences de messages échangés enter les agents. L’objectif de notre travail est la formalisation du protocole d’interaction FIPA-Request en utilisant le langage de spécification formelle Maude. La démarche qu'on a suivie consiste à étudier d’abord les Systèmes Multi-Agents et les principaux protocoles d’interaction standardisés par FIPA, plus particulièrement le protocole d’interaction FIPA-Request. Cette étude consiste à analyser le fonctionnement de protocole FIPA-Request pour identifier les données que doit spécifier un développeur afin de l’intégrer à l’agent en se basant sur le langage de modélisation AUML. Grâce à cette étude on a pu construire un Framework formel générique, extensible qui illustre bien les concepts du protocole FIPA Request en utilisant le langage Maude. Ensuite, on a essayé d'améliorer ce système en combinant entre deux protocoles (Contrat-net, FIPA-Request). Afin de valider ce Framework on a développé une application de SMA «Secourisme» en utilisant JADE et JavaFX. Côte titre : MAI/0660 En ligne : https://drive.google.com/file/d/1E92okWskf77EGasx_FaMMjv0s4tOZ1Jp/view?usp=share [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0660	MAI/0660	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Formalisation des systèmes Multi-Agents Temps Réel avec Real-Time Maude / Lekired, Chahinez  

Permalink

Formulation de l’incertain dans le processus d’extraction des connaissances / Boussahel ,Ines  

Permalink

Fraud Detection in onlin advertising click / Aouir,Yahia  

Permalink

Fully Attention Convolutional Deep Neural Networks for Polyp Segmentation and Classification from Histological and Colonoscopic Images / Ines Mansour

Permalink

Fusion de données multimodales pour l’apprentissage automatique / Boukellouz,Wafa  

Permalink

Fusion et fouille d’informations multimodales EEG/IRMf / Attia, Abdelouahab M  

Permalink

Fusion de systèmes d’information / Nour El Yakine Guerras  

Permalink

Fuzzy logic & Q_learning based approach using IoT devices Smart environments. / Allah Anis Acila Mouti

Permalink

Gene regulatory networks / Rayane Remili  

Permalink

Généralisation de données sensibles dirigée par des contraintes / Kares ,Abderraouf  

Permalink

Généralisation et optimisation de la méthode vectorielle d'analyse de la texture / Vadon,Albert

Permalink

Generating Arabic Calligraphy using Generative Adversarial Networks (GANs) / Hadj Azze, Yousra Chahinez  

Permalink

Génération et animation dynamique des objets 3d dans un environnement virtuel / Benhocine,abdelouaheb  

Permalink

Génération automatique d'applications mobiles en environnement pervasif / Habi, sara  

Permalink

Génération des scènes 3D à partir des graphes sémantiques / Raoudha Houas  

Permalink

Generative models based on GANs and RNNs for phobia data generation and classification / Abdeldjalil Hani

Permalink

Genetic algorithms in reconstructing gene regulatory networks / Souahi ,Kamilia  

Permalink

La Gestion de Chaine Logistique Industrielle à base d’Agents Intelligents / Sarra Ghellache  

Permalink

Gestion des clés avec la cryptographie quantique dans les WSNs / Zernenou, billal

Permalink

La gestion des communications inter applicatives par les processus métier / EL-Kolli ,Lamis  

Permalink

---

15 16 17 18 19 20 (476 - 496 / 496) Par page : 25 50 100 200