Comparative Scheme of Modern Cryptosystems / Yasser Redouane Kadiri

Public ISBD Titre : Comparative Scheme of Modern Cryptosystems Type de document : texte imprimé Auteurs : Yasser Redouane Kadiri, Auteur ; Mounkidh Bouchareb ; Kharchi ,Samia, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (45 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Cryptography Modern cryptosystems Data Security Symmetric Encryption Asymmetric Encryption Index. décimale : 004 - Informatique Résumé : In today’s digital era, safeguarding information is crucial for businesses, governments, and individuals due to the increasing cyber risks. This study aims to examine modern cryptosystems, comparing symmetric encryption and asymmetric encryption methods including AES, Twofish, Camellia, ChaCha20, RSA, and ElGamal, while assessing their strengths and weaknesses. The necessity of identifying the optimal algorithm for specific contexts underscores the significance of our research. To this end, we have developed a comparative scheme represented in a desktop application. By using this application and through multiple tests on the mentioned algorithms across various file types and sizes, we found that symmetric algorithms like AES and ChaCha20 are faster and more efficient, particularly for large files, while asymmetric algorithms like RSA and ElGamal are slower and utilize more memory. We recommend ChaCha20 for small files and AES for large files. These insights assist in making informed decisions about selecting the appropriate encryption algorithms to protect our data. Note de contenu : Sommaire Acknowledgments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i Dedication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv Abstract (in arabic) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v List of Figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi List of Tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii List of Abbreviations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii General introduction 1 1 Modern Cryptography: Exploring Techniques and Applications 2 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Overview of Cryptography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.2 Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.3 Cryptography Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.4 Case Study: Example of a Cryptographic Attack . . . . . . . . . . . . . . . . . 4 1.2.5 The importance of adopting strong cryptography . . . . . . . . . . . . . . . . . 4 1.2.6 Cryptography Types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.3 Symmetric Cryptography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3.1 Substitution cipher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3.2 Stream cipher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.3 Block cipher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.4 Asymmetric cryptography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.4.1 RSA Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.4.2 ElGamal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.3 Elliptic Curve Cryptography . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.5 Hash Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.1 An Overview of Hash functions . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.2 The hash function SHA-256 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.3 The hash function SHA-3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.4 The hash function Blake3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.6 Post-Quantum Cryptography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.6.1 Introduction to Quantum Computing Threats . . . . . . . . . . . . . . . . . . . 18 1.6.2 Overview of Post-Quantum Cryptography (PQC) . . . . . . . . . . . . . . . . . 18 1.6.3 Examples of Popular PQC Methods . . . . . . . . . . . . . . . . . . . . . . . . 18 1.6.4 Transitioning to PQC: Securing the Future . . . . . . . . . . . . . . . . . . . . . 19 1.7 Review of Related Research . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.7.1 Symmetric and Asymmetric Algorithms . . . . . . . . . . . . . . . . . . . . . . 19 1.7.2 Hash functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2 Implementation and Results 23 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.2 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.2.1 Environmental Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.2.2 Environmental Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.2.3 Implementation of the algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.2.4 CryptoCompare: Application overview . . . . . . . . . . . . . . . . . . . . . . 30 2.2.5 Scenario of Encryption and Decryption Process Using AES Algorithm . . . . . . 33 2.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.3.1 Experimental Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.3.2 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.3.3 Overall Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.3.4 Our Recommendations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 General conclusion 42 Côte titre : MAI/0844 Comparative Scheme of Modern Cryptosystems [texte imprimé] / Yasser Redouane Kadiri, Auteur ; Mounkidh Bouchareb ; Kharchi ,Samia, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (45 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Cryptography Modern cryptosystems Data Security Symmetric Encryption Asymmetric Encryption Index. décimale : 004 - Informatique Résumé : In today’s digital era, safeguarding information is crucial for businesses, governments, and individuals due to the increasing cyber risks. This study aims to examine modern cryptosystems, comparing symmetric encryption and asymmetric encryption methods including AES, Twofish, Camellia, ChaCha20, RSA, and ElGamal, while assessing their strengths and weaknesses. The necessity of identifying the optimal algorithm for specific contexts underscores the significance of our research. To this end, we have developed a comparative scheme represented in a desktop application. By using this application and through multiple tests on the mentioned algorithms across various file types and sizes, we found that symmetric algorithms like AES and ChaCha20 are faster and more efficient, particularly for large files, while asymmetric algorithms like RSA and ElGamal are slower and utilize more memory. We recommend ChaCha20 for small files and AES for large files. These insights assist in making informed decisions about selecting the appropriate encryption algorithms to protect our data. Note de contenu : Sommaire Acknowledgments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i Dedication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv Abstract (in arabic) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v List of Figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi List of Tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii List of Abbreviations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii General introduction 1 1 Modern Cryptography: Exploring Techniques and Applications 2 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Overview of Cryptography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.2 Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.3 Cryptography Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.4 Case Study: Example of a Cryptographic Attack . . . . . . . . . . . . . . . . . 4 1.2.5 The importance of adopting strong cryptography . . . . . . . . . . . . . . . . . 4 1.2.6 Cryptography Types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.3 Symmetric Cryptography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3.1 Substitution cipher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3.2 Stream cipher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.3 Block cipher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.4 Asymmetric cryptography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.4.1 RSA Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.4.2 ElGamal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.3 Elliptic Curve Cryptography . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.5 Hash Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.1 An Overview of Hash functions . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.2 The hash function SHA-256 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.3 The hash function SHA-3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.4 The hash function Blake3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.6 Post-Quantum Cryptography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.6.1 Introduction to Quantum Computing Threats . . . . . . . . . . . . . . . . . . . 18 1.6.2 Overview of Post-Quantum Cryptography (PQC) . . . . . . . . . . . . . . . . . 18 1.6.3 Examples of Popular PQC Methods . . . . . . . . . . . . . . . . . . . . . . . . 18 1.6.4 Transitioning to PQC: Securing the Future . . . . . . . . . . . . . . . . . . . . . 19 1.7 Review of Related Research . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.7.1 Symmetric and Asymmetric Algorithms . . . . . . . . . . . . . . . . . . . . . . 19 1.7.2 Hash functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2 Implementation and Results 23 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.2 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.2.1 Environmental Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.2.2 Environmental Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.2.3 Implementation of the algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.2.4 CryptoCompare: Application overview . . . . . . . . . . . . . . . . . . . . . . 30 2.2.5 Scenario of Encryption and Decryption Process Using AES Algorithm . . . . . . 33 2.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.3.1 Experimental Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.3.2 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.3.3 Overall Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.3.4 Our Recommendations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 General conclusion 42 Côte titre : MAI/0844

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0844	MAI/0844	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

Comparative study of population-based metaheuristic algorithms for Adaptive Networkbased on Inference System parameters optimization / Mennad Saidi  

Public ISBD Titre : Comparative study of population-based metaheuristic algorithms for Adaptive Networkbased on Inference System parameters optimization Type de document : texte imprimé Auteurs : Mennad Saidi ; Akrem Chelghoum ; Mohamed Abderraouf Ferradji Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (44 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : ANFIS : Adaptive Neuro Fuzzy Inference System PSO : Particle Swarm Optimization GWO : Grey Wolf Optimizer DE : Differential Evolution GA : Genetic Algorithm ANN : artificial neural network FLS : Fuzzy Logic Systems RMSE : Root Mean Square Error Index. décimale : 004 Informatique Résumé : In this work we present a study on neural network, fuzzy logic system and ANFIS and we try to improve the parameters of ANFIS adaptive fuzzy inference system using a metaheuristic algorithms ( PSO GWO DE ) , Where PSO that is based on the swarm intelligence concept (such as the flocking of birds) and GWO The algorithm mimics the leadership hierarchy and hunting mechanism of grey wolves in nature, where four types of grey wolves such as alpha, beta, delta, and omega are employed for simulating the leadership hierarchy, and DE that iteratively tries to improve a candidate solution with regard to a given measure of quality, for solving complex optimization problems and GA which are inspired by natural selection by simulating biological processes such as mutation, crossing over, and selection are frequently used to produce excellent solutions for optimization and research problems, Where the results showed a significant convergence between these algorithms = Dans ce travail, nous présentons une étude sur le réseau de neurones, le système de logique floue et ANFIS et nous essayons d’améliorer les paramètres du système d’inférence floue adaptative ANFIS en utilisant un algorithme métaheuristique (PSO GWO DE), o`u PSO qui est bas´e sur le concept d’intelligence en essaim ( tels que le troupeau d’oiseaux) et GWO L’algorithme imite la hiérarchie de leadership et le mécanisme de chasse des loups gris dans la nature, o`u quatre types de loups gris tels que alpha, bêta, delta et oméga sont utilisés pour simuler la hiérarchie de leadership, et DE qui essaie de maniére itérative d’améliorer une solution candidate par rapport `a une mesure de qualité donnée, pour résoudre des problèmes d’optimisation complexes et GA qui s’inspirent de la sélection naturelle en simulant des processus biologiques tels que la mutation, le croisement et la sélection sont fréquemment utilisés pour produire d’excellentes solutions pour des problèmes d’optimisation et de recherche, o`u les résultats ont montré une convergence significative entre ces algorithmes Côte titre : MAI/0768 En ligne : https://drive.google.com/file/d/1wnGZVG78kMiS1tM1IO8yg1zE5kA68cbs/view?usp=drive [...] Format de la ressource électronique : pdf Comparative study of population-based metaheuristic algorithms for Adaptive Networkbased on Inference System parameters optimization [texte imprimé] / Mennad Saidi ; Akrem Chelghoum ; Mohamed Abderraouf Ferradji . - [S.l.] : Setif:UFA, 2023 . - 1 vol (44 f.) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : ANFIS : Adaptive Neuro Fuzzy Inference System PSO : Particle Swarm Optimization GWO : Grey Wolf Optimizer DE : Differential Evolution GA : Genetic Algorithm ANN : artificial neural network FLS : Fuzzy Logic Systems RMSE : Root Mean Square Error Index. décimale : 004 Informatique Résumé : In this work we present a study on neural network, fuzzy logic system and ANFIS and we try to improve the parameters of ANFIS adaptive fuzzy inference system using a metaheuristic algorithms ( PSO GWO DE ) , Where PSO that is based on the swarm intelligence concept (such as the flocking of birds) and GWO The algorithm mimics the leadership hierarchy and hunting mechanism of grey wolves in nature, where four types of grey wolves such as alpha, beta, delta, and omega are employed for simulating the leadership hierarchy, and DE that iteratively tries to improve a candidate solution with regard to a given measure of quality, for solving complex optimization problems and GA which are inspired by natural selection by simulating biological processes such as mutation, crossing over, and selection are frequently used to produce excellent solutions for optimization and research problems, Where the results showed a significant convergence between these algorithms = Dans ce travail, nous présentons une étude sur le réseau de neurones, le système de logique floue et ANFIS et nous essayons d’améliorer les paramètres du système d’inférence floue adaptative ANFIS en utilisant un algorithme métaheuristique (PSO GWO DE), o`u PSO qui est bas´e sur le concept d’intelligence en essaim ( tels que le troupeau d’oiseaux) et GWO L’algorithme imite la hiérarchie de leadership et le mécanisme de chasse des loups gris dans la nature, o`u quatre types de loups gris tels que alpha, bêta, delta et oméga sont utilisés pour simuler la hiérarchie de leadership, et DE qui essaie de maniére itérative d’améliorer une solution candidate par rapport `a une mesure de qualité donnée, pour résoudre des problèmes d’optimisation complexes et GA qui s’inspirent de la sélection naturelle en simulant des processus biologiques tels que la mutation, le croisement et la sélection sont fréquemment utilisés pour produire d’excellentes solutions pour des problèmes d’optimisation et de recherche, o`u les résultats ont montré une convergence significative entre ces algorithmes Côte titre : MAI/0768 En ligne : https://drive.google.com/file/d/1wnGZVG78kMiS1tM1IO8yg1zE5kA68cbs/view?usp=drive [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0768	MAI/0768	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

Comparison between deep and machine learning for Arabic sentiment analysis / Yahia Salah Eddine Sersoub

Public ISBD Titre : Comparison between deep and machine learning for Arabic sentiment analysis Type de document : texte imprimé Auteurs : Yahia Salah Eddine Sersoub, Auteur ; Oussama Bouberrima ; Fatiha Tebbani, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (47 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé : This work explores the effectiveness of machine learning and deep learning methods for sentiment analysis in Arabic dialects. The goal is to determine the most effective method for analyzing Arabic emotions, whether deep learning or machine learning, and to classify text excerpts into three emotional categories : positive, negative, and neutral. This work uses several machine learning algorithms such as support vector machines and random forests, as well as deep learning architectures such as convolutional neural networks and recurrent neural networks. The results and performance of these methods are compared and evaluated on datasets specifically designed for the selected dialects. Note de contenu : Sommaire General Introduction 1 1 Sentiment Analysis and the Arabic Language 1 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Sentiment analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.3 Basic concepts of sentiment analysis . . . . . . . . . . . . . . . . . . . . . . 2 1.3.1 Objective vs. Subjective Sentences . . . . . . . . . . . . . . . . . . . 2 1.3.2 Categorization of feelings . . . . . . . . . . . . . . . . . . . . . . . . 2 1.3.3 Sentiment analysis levels . . . . . . . . . . . . . . . . . . . . . . . 3 1.4 Sentiment analysis applications . . . . . . . . . . . . . . . . . . . . . . . . 4 1.5 Sentiment Analysis Classification (Approaches) . . . . . . . . . . . . . . . 5 1.6 Evaluation Measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.7 Arabic language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.7.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.7.2 Arabic language types . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.7.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2 Machine-Learning and Deep Learning 11 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.3 Why use machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.3.1 Improve efficiency and automation . . . . . . . . . . . . . . . . . . 11 2.3.2 Better decision making . . . . . . . . . . . . . . . . . . . . . . . . 12 2.3.3 Innovation and creation of new products and services . . . . . . . . 12 2.4 Types of machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.4.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.4.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.4.3 Semi-Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . 19 2.4.4 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . . . . 19 2.5 Machine Learning Steps . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.5.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.5.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.5.3 Choosing the right model . . . . . . . . . . . . . . . . . . . . . . . 21 2.5.4 Training the model . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.5.5 Evaluating the model . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.5.6 Hyperparameter tuning and optimization . . . . . . . . . . . . . . . 21 2.5.7 Predictions and deployment . . . . . . . . . . . . . . . . . . . . . . 21 2.6 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.6.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.7 Basic concepts of deep learning . . . . . . . . . . . . . . . . . . . . . . . . 22 2.7.1 Single Neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.7.2 Activation functions . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.8 Deep learning architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.8.1 Artificial Neural Networks (ANN) : . . . . . . . . . . . . . . . . . . 26 2.8.2 Recurrent Neural Networks (RNNs) : . . . . . . . . . . . . . . . . . 27 2.8.3 Long Short-Term Memory (LSTMs) . . . . . . . . . . . . . . . . . 28 2.8.4 Convolutional Neural Networks(CNN) . . . . . . . . . . . . . . . . 29 2.9 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3 Practical side 32 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2.1 Python : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2.2 Anaconda : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2.3 Jupyter notebook : . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2.4 Google colab : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.5 Pandas : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.6 Numpy : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.7 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.8 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.9 Pickle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2.10 NLTK (Natural Language ToolKit) . . . . . . . . . . . . . . . . . . 34 3.2.11 Gensim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2.12 Tkinter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.3 Data collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.4 Implementation : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.4.1 Data pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.4.2 Word Embedding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.4.3 Implementation of Machine Learning algorithms : . . . . . . . . . . 38 3.4.4 Implementation of Deep Learning models : . . . . . . . . . . . . . . 41 3.4.5 Comparison of the results : . . . . . . . . . . . . . . . . . . . . . . 43 3.4.6 Model prediction result : . . . . . . . . . . . . . . . . . . . . . . . 46 3.4.7 Graphic Interface . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.5 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 Côte titre : MAI/0894 Comparison between deep and machine learning for Arabic sentiment analysis [texte imprimé] / Yahia Salah Eddine Sersoub, Auteur ; Oussama Bouberrima ; Fatiha Tebbani, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (47 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé : This work explores the effectiveness of machine learning and deep learning methods for sentiment analysis in Arabic dialects. The goal is to determine the most effective method for analyzing Arabic emotions, whether deep learning or machine learning, and to classify text excerpts into three emotional categories : positive, negative, and neutral. This work uses several machine learning algorithms such as support vector machines and random forests, as well as deep learning architectures such as convolutional neural networks and recurrent neural networks. The results and performance of these methods are compared and evaluated on datasets specifically designed for the selected dialects. Note de contenu : Sommaire General Introduction 1 1 Sentiment Analysis and the Arabic Language 1 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Sentiment analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.3 Basic concepts of sentiment analysis . . . . . . . . . . . . . . . . . . . . . . 2 1.3.1 Objective vs. Subjective Sentences . . . . . . . . . . . . . . . . . . . 2 1.3.2 Categorization of feelings . . . . . . . . . . . . . . . . . . . . . . . . 2 1.3.3 Sentiment analysis levels . . . . . . . . . . . . . . . . . . . . . . . 3 1.4 Sentiment analysis applications . . . . . . . . . . . . . . . . . . . . . . . . 4 1.5 Sentiment Analysis Classification (Approaches) . . . . . . . . . . . . . . . 5 1.6 Evaluation Measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.7 Arabic language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.7.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.7.2 Arabic language types . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.7.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2 Machine-Learning and Deep Learning 11 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.3 Why use machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.3.1 Improve efficiency and automation . . . . . . . . . . . . . . . . . . 11 2.3.2 Better decision making . . . . . . . . . . . . . . . . . . . . . . . . 12 2.3.3 Innovation and creation of new products and services . . . . . . . . 12 2.4 Types of machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.4.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.4.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.4.3 Semi-Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . 19 2.4.4 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . . . . 19 2.5 Machine Learning Steps . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.5.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.5.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.5.3 Choosing the right model . . . . . . . . . . . . . . . . . . . . . . . 21 2.5.4 Training the model . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.5.5 Evaluating the model . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.5.6 Hyperparameter tuning and optimization . . . . . . . . . . . . . . . 21 2.5.7 Predictions and deployment . . . . . . . . . . . . . . . . . . . . . . 21 2.6 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.6.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.7 Basic concepts of deep learning . . . . . . . . . . . . . . . . . . . . . . . . 22 2.7.1 Single Neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.7.2 Activation functions . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.8 Deep learning architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.8.1 Artificial Neural Networks (ANN) : . . . . . . . . . . . . . . . . . . 26 2.8.2 Recurrent Neural Networks (RNNs) : . . . . . . . . . . . . . . . . . 27 2.8.3 Long Short-Term Memory (LSTMs) . . . . . . . . . . . . . . . . . 28 2.8.4 Convolutional Neural Networks(CNN) . . . . . . . . . . . . . . . . 29 2.9 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3 Practical side 32 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2.1 Python : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2.2 Anaconda : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2.3 Jupyter notebook : . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2.4 Google colab : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.5 Pandas : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.6 Numpy : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.7 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.8 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.9 Pickle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2.10 NLTK (Natural Language ToolKit) . . . . . . . . . . . . . . . . . . 34 3.2.11 Gensim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2.12 Tkinter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.3 Data collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.4 Implementation : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.4.1 Data pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.4.2 Word Embedding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.4.3 Implementation of Machine Learning algorithms : . . . . . . . . . . 38 3.4.4 Implementation of Deep Learning models : . . . . . . . . . . . . . . 41 3.4.5 Comparison of the results : . . . . . . . . . . . . . . . . . . . . . . 43 3.4.6 Model prediction result : . . . . . . . . . . . . . . . . . . . . . . . 46 3.4.7 Graphic Interface . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.5 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 Côte titre : MAI/0894

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0894	MAI/0894	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

Complexité lexicale des textes Arabes par les techniques d’apprentissage automatique / Chenni,Ghozlene  

Public ISBD Titre : Complexité lexicale des textes Arabes par les techniques d’apprentissage automatique Type de document : texte imprimé Auteurs : Chenni,Ghozlene, Auteur ; Sadik Bessou, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Traitement du langage naturel Classification du texte arabe complexité lexicale Arabe Extraction de caractéristiques Apprentissage automatique Index. décimale : 004 Informatique Résumé : La langue arabe est l’une des langues les plus anciennes et les plus complexes du monde, mais elle existe encore jusqu’à présent. En raison de la complexité de cette langue, elle présente des défis pour de nombreuses applications de traitement en langage naturel. Dans ce mémoire, nous présentons les détails de la collecte et de la construction d’un grand ensemble de données "corpus" de textes arabes. Les techniques utilisées pour le prétraitement des données collectées sont expliquées. Nous présentons nos quatre classes: ancienne, islamique, récente et enfantine. Différents algorithmes d’apprentissage automatique ont été utilisés pour classer les textes: Bayes naïves multinomiales, Bernoulli Naive Bayes, Régression logistique, Support Vector Machine, et Random Forest. Et un modèle N-gram a été proposé où les documents sont classés sur la base de: everygrams, unigrammes, bigrams, unigrammes et bigrams ensemble. Les meilleurs résultats de la précision que nous avons obtenue en utilisant Countvectorizer était 86,47% avec le classificateur Bayes Naive Multinomial, et 87,2% en utilisant Tfidfvectorizer avec le classificateur Support Vector Machine en utilisant everygrams . Note de contenu : Sommaire Abstract ii Acknowledgements v 1 Introduction 1 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Thesis organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 Natural Language Processing 3 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2 Natural Language Processing (NLP) . . . . . . . . . . . . . . . . . . 3 2.3 NLP components . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.4 Levels of NLP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.4.1 Phonology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.4.2 Morphology . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.4.3 Lexical . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.4.4 Syntax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.4.5 Semantics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.4.6 Pragmatics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.4.7 Discourse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.5 Natural Language Processing Applications . . . . . . . . . . . . . . 9 2.5.1 Information Retrieval . . . . . . . . . . . . . . . . . . . . . . 9 2.5.2 Speech Recognition (SR) . . . . . . . . . . . . . . . . . . . . . 10 2.5.3 Information Extraction (IE) . . . . . . . . . . . . . . . . . . . 10 vii 2.5.4 Spam Filtering . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.5.5 Question-Answering . . . . . . . . . . . . . . . . . . . . . . 12 2.5.6 Summarization . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.5.7 Machine Translation . . . . . . . . . . . . . . . . . . . . . . 13 2.5.8 Dialogue Systems . . . . . . . . . . . . . . . . . . . . . . . . 14 2.5.9 Text Categorization . . . . . . . . . . . . . . . . . . . . . . . . 14 2.5.10 Medicine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3 Machine Learning 16 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3.3 Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.3.1 Alan Turing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.3.2 Arthur Samuel . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.3.3 Tom Mitchell . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.3.4 Sebastian Raschka . . . . . . . . . . . . . . . . . . . . . . . . 18 3.4 Machine Learning Process . . . . . . . . . . . . . . . . . . . . . . . . 18 3.5 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . . 19 3.5.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . 20 3.5.1.1 Classification . . . . . . . . . . . . . . . . . . . . . . 20 3.5.1.2 Regression . . . . . . . . . . . . . . . . . . . . . . . 20 3.5.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . 21 3.5.2.1 Clustering . . . . . . . . . . . . . . . . . . . . . . . 21 3.5.2.2 Dimensionality Reduction . . . . . . . . . . . . . . 22 3.5.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . 22 3.6 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . 23 3.6.1 Naive Bayes Classifiers . . . . . . . . . . . . . . . . . . . . . 23 3.6.1.1 Multinomial Naive Bayes . . . . . . . . . . . . . . . 24 viii 3.6.1.2 Bernoulli Naive Bayes . . . . . . . . . . . . . . . . . 25 3.6.2 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.6.2.1 Decision Tree Representation . . . . . . . . . . . . . 25 3.6.3 Random Forests . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.6.3.1 The General Idea . . . . . . . . . . . . . . . . . . . . 27 3.6.4 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . 28 3.6.5 Support Vector Machine . . . . . . . . . . . . . . . . . . . . . 28 3.6.5.1 Basic concept . . . . . . . . . . . . . . . . . . . . . . 29 3.6.5.2 Linear Support Vector Machines . . . . . . . . . . . 30 3.6.5.3 The Non-Separable Case . . . . . . . . . . . . . . . 31 3.6.6 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . 33 3.6.6.1 Basics Of Artificial Neural Networks . . . . . . . . 33 3.6.6.2 Neural Networks Types . . . . . . . . . . . . . . . . 34 3.6.6.3 Activation Functions . . . . . . . . . . . . . . . . . 35 3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4 Arabic Lexical Complexity 38 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.2 The Arabic Language . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.3 Characteristics of Arabic Language . . . . . . . . . . . . . . . . . . . 39 4.4 Arabic Text classification . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.5 Arabic complexity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5 Datasets And Implementation Frameworks 43 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.2 Proposed System implementation . . . . . . . . . . . . . . . . . . . . 43 5.2.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.2.1.1 Dataset statistics . . . . . . . . . . . . . . . . . . . . 46 5.2.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . 47 ix 5.2.3 Training and test sets . . . . . . . . . . . . . . . . . . . . . . . 50 5.2.4 Features Extraction . . . . . . . . . . . . . . . . . . . . . . . . 51 5.2.4.1 CountVectorizer . . . . . . . . . . . . . . . . . . . . 52 5.2.4.2 TfidfVectorizer . . . . . . . . . . . . . . . . . . . . . 53 5.2.4.3 N-grams . . . . . . . . . . . . . . . . . . . . . . . . 54 5.2.5 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 5.3 Implementation Frameworks . . . . . . . . . . . . . . . . . . . . . . 56 5.3.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 5.3.2 Jupyter Notebook . . . . . . . . . . . . . . . . . . . . . . . . . 56 5.3.3 TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 5.3.4 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 5.3.5 NLTK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 5.3.6 Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 5.3.7 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 5.3.8 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 5.3.9 Seaborn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 6 Results And Discussion 60 6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 6.2 Evaluation metrics of performance . . . . . . . . . . . . . . . . . . . 60 6.2.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 6.2.2 Precision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.2.3 Recall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.2.4 F-score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.3 Results and evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.3.1 Results using CountVectorizer . . . . . . . . . . . . . . . . . 63 6.3.1.1 Using everygrams . . . . . . . . . . . . . . . . . . . 63 6.3.1.2 Using Unigrams . . . . . . . . . . . . . . . . . . . . 64 x 6.3.1.3 Using Bigrams . . . . . . . . . . . . . . . . . . . . . 65 6.3.1.4 Using Unigrams and Bigrams . . . . . . . . . . . . 66 6.3.2 summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 6.3.3 Results using TfidfVectorizer . . . . . . . . . . . . . . . . . . 68 6.3.3.1 Using everygrams . . . . . . . . . . . . . . . . . . . 68 6.3.3.2 Using Unigrams . . . . . . . . . . . . . . . . . . . . 69 6.3.3.3 Using Bigrams . . . . . . . . . . . . . . . . . . . . . 70 6.3.3.4 Using Unigrams and Bigrams . . . . . . . . . . . . 71 6.3.4 summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 6.3.5 Testing the classifier . . . . . . . . . . . . . . . . . . . . . . . 73 6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 7 Conclusion 75 7.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 7.2 Future Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 Bibliography Côte titre : MAI/0298 En ligne : https://drive.google.com/file/d/1ceh0in6uDQMW_m9_7t3zxipgLKgjvYcx/view?usp=shari [...] Format de la ressource électronique : pdf Complexité lexicale des textes Arabes par les techniques d’apprentissage automatique [texte imprimé] / Chenni,Ghozlene, Auteur ; Sadik Bessou, Directeur de thèse . - [S.l.] : Setif:UFA, 2019. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Traitement du langage naturel Classification du texte arabe complexité lexicale Arabe Extraction de caractéristiques Apprentissage automatique Index. décimale : 004 Informatique Résumé : La langue arabe est l’une des langues les plus anciennes et les plus complexes du monde, mais elle existe encore jusqu’à présent. En raison de la complexité de cette langue, elle présente des défis pour de nombreuses applications de traitement en langage naturel. Dans ce mémoire, nous présentons les détails de la collecte et de la construction d’un grand ensemble de données "corpus" de textes arabes. Les techniques utilisées pour le prétraitement des données collectées sont expliquées. Nous présentons nos quatre classes: ancienne, islamique, récente et enfantine. Différents algorithmes d’apprentissage automatique ont été utilisés pour classer les textes: Bayes naïves multinomiales, Bernoulli Naive Bayes, Régression logistique, Support Vector Machine, et Random Forest. Et un modèle N-gram a été proposé où les documents sont classés sur la base de: everygrams, unigrammes, bigrams, unigrammes et bigrams ensemble. Les meilleurs résultats de la précision que nous avons obtenue en utilisant Countvectorizer était 86,47% avec le classificateur Bayes Naive Multinomial, et 87,2% en utilisant Tfidfvectorizer avec le classificateur Support Vector Machine en utilisant everygrams . Note de contenu : Sommaire Abstract ii Acknowledgements v 1 Introduction 1 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Thesis organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 Natural Language Processing 3 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2 Natural Language Processing (NLP) . . . . . . . . . . . . . . . . . . 3 2.3 NLP components . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.4 Levels of NLP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.4.1 Phonology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.4.2 Morphology . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.4.3 Lexical . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.4.4 Syntax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.4.5 Semantics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.4.6 Pragmatics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.4.7 Discourse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.5 Natural Language Processing Applications . . . . . . . . . . . . . . 9 2.5.1 Information Retrieval . . . . . . . . . . . . . . . . . . . . . . 9 2.5.2 Speech Recognition (SR) . . . . . . . . . . . . . . . . . . . . . 10 2.5.3 Information Extraction (IE) . . . . . . . . . . . . . . . . . . . 10 vii 2.5.4 Spam Filtering . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.5.5 Question-Answering . . . . . . . . . . . . . . . . . . . . . . 12 2.5.6 Summarization . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.5.7 Machine Translation . . . . . . . . . . . . . . . . . . . . . . 13 2.5.8 Dialogue Systems . . . . . . . . . . . . . . . . . . . . . . . . 14 2.5.9 Text Categorization . . . . . . . . . . . . . . . . . . . . . . . . 14 2.5.10 Medicine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3 Machine Learning 16 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3.3 Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.3.1 Alan Turing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.3.2 Arthur Samuel . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.3.3 Tom Mitchell . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.3.4 Sebastian Raschka . . . . . . . . . . . . . . . . . . . . . . . . 18 3.4 Machine Learning Process . . . . . . . . . . . . . . . . . . . . . . . . 18 3.5 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . . 19 3.5.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . 20 3.5.1.1 Classification . . . . . . . . . . . . . . . . . . . . . . 20 3.5.1.2 Regression . . . . . . . . . . . . . . . . . . . . . . . 20 3.5.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . 21 3.5.2.1 Clustering . . . . . . . . . . . . . . . . . . . . . . . 21 3.5.2.2 Dimensionality Reduction . . . . . . . . . . . . . . 22 3.5.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . 22 3.6 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . 23 3.6.1 Naive Bayes Classifiers . . . . . . . . . . . . . . . . . . . . . 23 3.6.1.1 Multinomial Naive Bayes . . . . . . . . . . . . . . . 24 viii 3.6.1.2 Bernoulli Naive Bayes . . . . . . . . . . . . . . . . . 25 3.6.2 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.6.2.1 Decision Tree Representation . . . . . . . . . . . . . 25 3.6.3 Random Forests . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.6.3.1 The General Idea . . . . . . . . . . . . . . . . . . . . 27 3.6.4 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . 28 3.6.5 Support Vector Machine . . . . . . . . . . . . . . . . . . . . . 28 3.6.5.1 Basic concept . . . . . . . . . . . . . . . . . . . . . . 29 3.6.5.2 Linear Support Vector Machines . . . . . . . . . . . 30 3.6.5.3 The Non-Separable Case . . . . . . . . . . . . . . . 31 3.6.6 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . 33 3.6.6.1 Basics Of Artificial Neural Networks . . . . . . . . 33 3.6.6.2 Neural Networks Types . . . . . . . . . . . . . . . . 34 3.6.6.3 Activation Functions . . . . . . . . . . . . . . . . . 35 3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4 Arabic Lexical Complexity 38 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.2 The Arabic Language . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.3 Characteristics of Arabic Language . . . . . . . . . . . . . . . . . . . 39 4.4 Arabic Text classification . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.5 Arabic complexity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5 Datasets And Implementation Frameworks 43 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.2 Proposed System implementation . . . . . . . . . . . . . . . . . . . . 43 5.2.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.2.1.1 Dataset statistics . . . . . . . . . . . . . . . . . . . . 46 5.2.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . 47 ix 5.2.3 Training and test sets . . . . . . . . . . . . . . . . . . . . . . . 50 5.2.4 Features Extraction . . . . . . . . . . . . . . . . . . . . . . . . 51 5.2.4.1 CountVectorizer . . . . . . . . . . . . . . . . . . . . 52 5.2.4.2 TfidfVectorizer . . . . . . . . . . . . . . . . . . . . . 53 5.2.4.3 N-grams . . . . . . . . . . . . . . . . . . . . . . . . 54 5.2.5 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 5.3 Implementation Frameworks . . . . . . . . . . . . . . . . . . . . . . 56 5.3.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 5.3.2 Jupyter Notebook . . . . . . . . . . . . . . . . . . . . . . . . . 56 5.3.3 TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 5.3.4 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 5.3.5 NLTK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 5.3.6 Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 5.3.7 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 5.3.8 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 5.3.9 Seaborn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 6 Results And Discussion 60 6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 6.2 Evaluation metrics of performance . . . . . . . . . . . . . . . . . . . 60 6.2.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 6.2.2 Precision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.2.3 Recall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.2.4 F-score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.3 Results and evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.3.1 Results using CountVectorizer . . . . . . . . . . . . . . . . . 63 6.3.1.1 Using everygrams . . . . . . . . . . . . . . . . . . . 63 6.3.1.2 Using Unigrams . . . . . . . . . . . . . . . . . . . . 64 x 6.3.1.3 Using Bigrams . . . . . . . . . . . . . . . . . . . . . 65 6.3.1.4 Using Unigrams and Bigrams . . . . . . . . . . . . 66 6.3.2 summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 6.3.3 Results using TfidfVectorizer . . . . . . . . . . . . . . . . . . 68 6.3.3.1 Using everygrams . . . . . . . . . . . . . . . . . . . 68 6.3.3.2 Using Unigrams . . . . . . . . . . . . . . . . . . . . 69 6.3.3.3 Using Bigrams . . . . . . . . . . . . . . . . . . . . . 70 6.3.3.4 Using Unigrams and Bigrams . . . . . . . . . . . . 71 6.3.4 summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 6.3.5 Testing the classifier . . . . . . . . . . . . . . . . . . . . . . . 73 6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 7 Conclusion 75 7.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 7.2 Future Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 Bibliography Côte titre : MAI/0298 En ligne : https://drive.google.com/file/d/1ceh0in6uDQMW_m9_7t3zxipgLKgjvYcx/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0298	MAI/0298	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Component models as enablers for real time systems (RTS) / Mansouri,Hayame  

Public ISBD Titre : Component models as enablers for real time systems (RTS) Type de document : texte imprimé Auteurs : Mansouri,Hayame, Auteur ; Abdallah Khababa, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (50 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Systèmes en temps réel Composants Modèles de composants Délais délais durs et souples Index. décimale : 004 - Informatique Résumé : Les modèles de composants sont basés sur le concept de composants et constituent le meilleur moyen de réaliser des systèmes en temps réel en raison de leur nature modulaire et de la séparation entre le code et les interfaces. Un système en temps réel signie que la réponse doit être garantie dans une contrainte de temps spéciée ou que le système doit respecter le délai spécié. Cette thèse présente une étape vers la réalisation d'une application de streaming vidéo basée sur des composants et respectant les exigences de synchronisation des systèmes temps réel. La mise en ÷uvre de c'est à l'aide d'un rebase en temps réel qui contientun base de données en temps réel, la vidéo sera diusée à tous les utilisateurs instantanément. Le système qui répond à un délai spécique est également présent. Côte titre : MAI/0378 En ligne : https://drive.google.com/file/d/1Qiets6WfRkuKRnEKTRT07_vtj_JRWsQ5/view?usp=shari [...] Format de la ressource électronique : pdf Component models as enablers for real time systems (RTS) [texte imprimé] / Mansouri,Hayame, Auteur ; Abdallah Khababa, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (50 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Systèmes en temps réel Composants Modèles de composants Délais délais durs et souples Index. décimale : 004 - Informatique Résumé : Les modèles de composants sont basés sur le concept de composants et constituent le meilleur moyen de réaliser des systèmes en temps réel en raison de leur nature modulaire et de la séparation entre le code et les interfaces. Un système en temps réel signie que la réponse doit être garantie dans une contrainte de temps spéciée ou que le système doit respecter le délai spécié. Cette thèse présente une étape vers la réalisation d'une application de streaming vidéo basée sur des composants et respectant les exigences de synchronisation des systèmes temps réel. La mise en ÷uvre de c'est à l'aide d'un rebase en temps réel qui contientun base de données en temps réel, la vidéo sera diusée à tous les utilisateurs instantanément. Le système qui répond à un délai spécique est également présent. Côte titre : MAI/0378 En ligne : https://drive.google.com/file/d/1Qiets6WfRkuKRnEKTRT07_vtj_JRWsQ5/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0378	MAI/0378	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

Composition automatique de services web basés sur des protocoles / KHALOUTA,SAMIA  

Permalink

Composition dynamique de services web dans un contexte d’EBXML / ZEBBICHE, Abderrahmane  

Permalink

Composition sémantique et dynamique a base d'agents des services dans le Cloud / Bouamama, wahida

Permalink

Composition sémantique et dynamique des services dans le Cloud / Zerrouk, rafik  

Permalink

Composition SémantiqueetDynamique des Services Cloud à large-échelle / Bounechada,Hosni  

Permalink

Composition de services web dans l’e-finance / KOUACHI,Asma-Iman

Permalink

Composition des services web pour le développement de la couche métier / Chetouani,Zahra

Permalink

Composition des services web pour le développement de la couche métier / Chetouani,Zahra  

Permalink

Composition de services web sémantiques dans des systèmes ouverts et dynamiques / Fateh Seghir  

Permalink

Compression des images animées par le codage EZW 2D / Azzaz, lamia

Permalink

Conception d'un environnement d'apprentissage a base d'ontologies / Hamel, amina  

Permalink

Conception d’environnements selon le profil affectif des apparats / BOUCILAOUN,Insaf

Permalink

Conception et implémentation d'une application de signatures électroniques / Maroua Bendechache  

Permalink

Conception et Implémentation d’Architectures Modulaires et Hiérarchiques en Reconnaissance Biométrique / Regouid,Meryem  

Permalink

Conception et implémentation d'un classifieur SVM pour la reconnaissance de visage humain / Louaim,Maroua  

Permalink

Conception et implémentation d'un simulateur pour les réseaux de capteurs sans fil / Khalfi,hanane  

Permalink

Conception d’un outil d’aide à l’indexation sémantique des ressources pédagogiques / CHETTOUH, Sarah  

Permalink

Conception et réalisation d'une application gestion de distribution / Douar,Choukri  

Permalink

Conception et réalisation d'une application multi-plateforme pour la gestion numérique de l'Ecole (e-school) / Khadidja Barkat  

Permalink

Conception et réalisation d’une interface d’une maison intelligente / REDJEM, Youcef  

Permalink

Conception et réalisation d'un MOOC Orienté réseaux / soundes Alla El Hak Blilita  

Permalink

Conception et Réalisation d'un site WebTV pour la Fédération des Associations des parents d'élèves de la wilaya de Sétif / Tebani, Slimane Houssam Eddine  

Permalink

Conception et Réalisation d’un système de Réalité Augmentée appliquée aux opérations sur les systèmes Industriels / Kenzi Bey  

Permalink

Conception d’un système de vote sémantique au sein d’une communauté / BIGA,Soumia

Permalink

Confidentialité des donnée dans le cloud computing / Messalti, Hadda  

Permalink

Construction d'un corpus de tweets en langue arabe / Nebais, sonia  

Permalink

Construction et interrogation d’une ontologie de domaine pour un environnement d’apprentissage collaboratif / BOUDJELDA, Lamia  

Permalink

Construction of a corpus of tweets in Arabic and annotation in semantic roles and emotions / Bendris ,Aimen  

Permalink

Construction d’une ontologie pour le Web sémantique / HACINE GHERBI, Ahcine  

Permalink

Construire, inférer et aligner des profils pour l’adaptation des documents multimédias / BELLAL, Wassim  

Permalink

Content Based Image Retrieval on Cloud Computing / Abdelmalek Bedroh  

Permalink

Content Based Recommender System Using Deep Leaning / Lynda Messah  

Permalink

Context-Aware Recommender System for Online Resources / Zerrad,Houssem Eddine  

Permalink

Context-independent word embedding methods in Machine Learning for Arabic Document Classification / Mohamed Akram Belbedar  

Permalink

Contribution bio-inspirée basée sur l'algorithme de Pélican Search dans les MANETs / Mourad Felouah  

Permalink

Contribution à la conception d'architecture logicielle sure des systèmes critiques basés agent / Boucherit,Ammar  

Permalink

Contribution à la sécurisation du protocole SIP : Amélioration de l’authentification http-digest / GUESSAS, Yaâkoub  

Permalink

Contribution à la segmentation d'images médicales par les algrithmes bio- inspirés / Moussa,Semchedine  

Permalink

Contributions à l'étude de la diagnosticabilité et la prédictibilité des systèmes à événements discrets flous / Benmessahel, Bilal  

Permalink

Contributions à la Résolution de l'Emergence Inversée en Utilisant les Métaheuristiques Quantiques / Djemame,Sefia  

Permalink

"Control des mouvements d'avatar en utilisant la technique ""Inverse Kenimatics"" " / Cheraga,k.abdelmoumene

Permalink

Contrôle autonomique contextualise guide par les ontologies des applications mobiles multimodales / Abderrahim Lakehal  

Permalink

Coordinated Snapshot Algorithm for Distributed Computing Systems / Bouzidi, Yasmine  

Permalink

Coordination du Trafic Véhiculaire via Réseaux de Capteurs sans fil / Sabri, Ryma  

Permalink

Couverture de frontières dans les réseaux de capteurs sans fil / Meriem Khenniche

Permalink

---

1 2 3 4 5 6 (201 - 250 / 298) Par page : 25 50 100 200