University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'éditeur
Setif:UFA |
Documents disponibles chez cet éditeur
Ajouter le résultat dans votre panier Affiner la recherche
Tolérance aux fautes dans les systèmes Distribués Algorithme de Chandy et Lamport / Benyahia, Adlene
Titre : Tolérance aux fautes dans les systèmes Distribués Algorithme de Chandy et Lamport Type de document : texte imprimé Auteurs : Benyahia, Adlene, Auteur ; Mansouri,Houssem, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (52 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Systèmes distribués
Tolérance aux fautes
Protocole de reprise
Checkpointing
Protocole de Chandy et LamportIndex. décimale : 004 - Informatique Résumé :
Le Checkpointing est une technique de tolérance aux fautes qui permet au système distribué de revenir à un état sans défaillance le plus récent en cas de faute pour éviter la perte totale du calcul. Les points de reprise sont des sauvegardes instantanées de l'état du système pris pendant l'exécution normale de l'application distribuée. Lorsque le système ou un processus tombe en panne, il revient au dernier état global sauvegardé pour atteindre un état sans faute. Cette thèse aborde le problème de la tolérance aux fautes via la technique de Checkpointing dans les systèmes distribués. Un référence protocole de Checkpointing de type coordonné et non bloquant est implémenté, où un seul point de reprise par processus dans le système doit être enregistré. L’algorithme synchronise ces activités de reprise afin qu'un état global cohérent soit toujours maintenu dans le système. L’algorithme nécessite que les canaux de communication soient de type FIFO, évite l’effet domino et garantisse que chaque point de reprise sauvegardé est fait partie d'un état global cohérent. L'analyse des performances et les résultats de la simulation sont également présentés.Côte titre : MAI/0429 En ligne : https://drive.google.com/file/d/1ha2KB2Ry2hC6MSdbpcSwjMtLjGbhcH6g/view?usp=shari [...] Format de la ressource électronique : Tolérance aux fautes dans les systèmes Distribués Algorithme de Chandy et Lamport [texte imprimé] / Benyahia, Adlene, Auteur ; Mansouri,Houssem, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (52 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Systèmes distribués
Tolérance aux fautes
Protocole de reprise
Checkpointing
Protocole de Chandy et LamportIndex. décimale : 004 - Informatique Résumé :
Le Checkpointing est une technique de tolérance aux fautes qui permet au système distribué de revenir à un état sans défaillance le plus récent en cas de faute pour éviter la perte totale du calcul. Les points de reprise sont des sauvegardes instantanées de l'état du système pris pendant l'exécution normale de l'application distribuée. Lorsque le système ou un processus tombe en panne, il revient au dernier état global sauvegardé pour atteindre un état sans faute. Cette thèse aborde le problème de la tolérance aux fautes via la technique de Checkpointing dans les systèmes distribués. Un référence protocole de Checkpointing de type coordonné et non bloquant est implémenté, où un seul point de reprise par processus dans le système doit être enregistré. L’algorithme synchronise ces activités de reprise afin qu'un état global cohérent soit toujours maintenu dans le système. L’algorithme nécessite que les canaux de communication soient de type FIFO, évite l’effet domino et garantisse que chaque point de reprise sauvegardé est fait partie d'un état global cohérent. L'analyse des performances et les résultats de la simulation sont également présentés.Côte titre : MAI/0429 En ligne : https://drive.google.com/file/d/1ha2KB2Ry2hC6MSdbpcSwjMtLjGbhcH6g/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0429 MAI/0429 Mémoire Bibliothéque des sciences Français Disponible
DisponibleLa Tolérance aux fautes, par réplication, dans les réseaux de capteurs sans fil / DJENANE, Aida
Titre : La Tolérance aux fautes, par réplication, dans les réseaux de capteurs sans fil Type de document : texte imprimé Auteurs : DJENANE, Aida ; Abdelhafid Benaouda, Directeur de thèse Editeur : Setif:UFA Année de publication : 2012 Importance : 1 vol (57f.) Format : 29 cm Langues : Français (fre) Catégories : Informatique
Thèses & Mémoires:InformatiqueMots-clés : Réseaux
Systèmes Distribués
WSN
énergie
tolérance aux fautes
capteurs sans filsIndex. décimale : 004 Informatique Côte titre : MAI/0021 La Tolérance aux fautes, par réplication, dans les réseaux de capteurs sans fil [texte imprimé] / DJENANE, Aida ; Abdelhafid Benaouda, Directeur de thèse . - [S.l.] : Setif:UFA, 2012 . - 1 vol (57f.) ; 29 cm.
Langues : Français (fre)
Catégories : Informatique
Thèses & Mémoires:InformatiqueMots-clés : Réseaux
Systèmes Distribués
WSN
énergie
tolérance aux fautes
capteurs sans filsIndex. décimale : 004 Informatique Côte titre : MAI/0021 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0021 MAI/0021 Mémoire Bibliothéque des sciences Français Disponible
DisponibleTomographie Sismique Locale dans les régions des séquences sismiques de Béni-Ilmane (2010) et de Bejaia (2012-2013) / Bellal,Amani
Titre : Tomographie Sismique Locale dans les régions des séquences sismiques de Béni-Ilmane (2010) et de Bejaia (2012-2013) Type de document : texte imprimé Auteurs : Bellal,Amani ; Hichem Bendjama, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (81 f .) Format : 24 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Physique Mots-clés : Physique Index. décimale : 530 Physique Résumé : L’application de l'algorithme du logiciel de tomographie locale (LOTOS), qui comprend la localisation absolue de la source, l'optimisation du modèle de vitesse 1D initial, l'inversion tomographique itérative des vitesses sismiques 3D d’onde P, S et le rapport (Vp/Vs). Les nouvelles données (1906 évènements) dans la région de Beni-Ilmane ont données une configuration des anomalies à faible vitesse de l'onde P correspondent aux alignements de failles déterminés à partir de preuves géologiques, et les anomalies à grande vitesse de l'onde P peuvent représenter des blocs rigides de la croûte supérieure qui ne sont pas déformés par des contraintes régionales. Les anomalies de faible vitesse des ondes S ont révélés des nouveaux résultats par rapport à (Abacha et al 2014) coïncident avec la zone de réplique et une autre zone au Nord-Est le synclinal de Beni-Ilmane, où l'on observe des valeurs relativement élevées du rapport Vp/Vs (1,78 et 1,90) par rapport aux valeurs dans les zones environnantes (1,62-1,66). Ces valeurs élevées peuvent indiquer des teneurs élevées en liquide dans la zone de réplique. Ces fluides ont pu être libérés à partir de niveaux plus profonds par les mouvements de failles pendant les tremblements de terre et ont migré rapidement vers le haut, l’hypothèse avancé dans le travail précédent et vérifier dans cette étude, la migration a été faite selon la faille inverse le long du synclinal de Beni-Ilmane. Les résultats préliminaires pour la région de Béjaia ont révélé la majorité des entités géologiques. Pour les anomalies des ondes P à grande vitesse elles coïncident avec les caps Carbon et Cavalou constitués de roche magmatique, et les anomalies de faibles vitesses coïncidentes avec les failles actives dans la région telle que Kharrata et Tachouaft. Note de contenu :
Sommaire
Introduction générale
1. Principe de la tomographie sismique...............................................................................................
9
2. La tomographie en utilisant l’enregistrement sismique.................................................................
16
2.1
Structure sismique provenant de sources contrôlées ...............................................................
16
2.1.1
Analyse de sismique réflexion d'incidence normale .........................................................
16
2.1.2
Tomographie par sismique réflexion ................................................................................
17
2.1.3
Sismique réfraction grand angle .......................................................................................
18
2.1.4
Tomographie à trous croisés « cross-hole » ......................................................................
20
2.2
Structure locale provenant des tremblements de terre .............................................................
21
2.2.1
Tomographie sismique locale (LET) ................................................................................
21
2.2.2
Tomographie télésismique ................................................................................................
25
2.2.3
Analyse de la fonction du récepteur ..................................................................................
27
2.3
Études régionales et mondiales utilisant les séismes ...............................................................
28
2.3.1
Tomographie régionale utilisant des ondes de volume .....................................................
28
2.3.2
Tomographie globale utilisant des ondes de volume ........................................................
30
2.3.3
Tomographie régionale par ondes de surface ...................................................................
31
2.3.4
Tomographie globale par ondes de surface.......................................................................
32
2.4
Tomographie Globale utilisant le bruit de fond sismique .......................................................
33
3. Logiciel de Tomographie Sismique ..............................................................................................
35
3.1
Structure générale du code.......................................................................................................
35
3.2
Préparation de la base des données et lancement des calculs ..................................................
39
3.2
Principe de calcul du code lotos 12 .........................................................................................
44
4. Application ....................................................................................................................................
48
4.1 La région de Beni-Ilmane ........................................................................................................
48
4.1.1 Les données .......................................................................................................................
50
4.1.2
Méthodologie de travail ....................................................................................................
50
4.1.3
Modélisation synthétique ..................................................................................................
52
4.2
Tomographie de la région de Beni-Ilmane avec les nouvelles données ..................................
58
4.3 La région de Béjaia ..................................................................................................................
61
2
4.3.1 Présentation de la région ................................................................................................... 61
4.3.2 Choix du modèle de vitesse .............................................................................................. 65
4.3.3 Résultats ............................................................................................................................ 67
Conclusion générale
3Côte titre : MAPH/0324 En ligne : https://drive.google.com/file/d/1Eu-a2J6jslFAoLcdUsvgEMPSP7M5QMOE/view?usp=shari [...] Format de la ressource électronique : Tomographie Sismique Locale dans les régions des séquences sismiques de Béni-Ilmane (2010) et de Bejaia (2012-2013) [texte imprimé] / Bellal,Amani ; Hichem Bendjama, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (81 f .) ; 24 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Physique Mots-clés : Physique Index. décimale : 530 Physique Résumé : L’application de l'algorithme du logiciel de tomographie locale (LOTOS), qui comprend la localisation absolue de la source, l'optimisation du modèle de vitesse 1D initial, l'inversion tomographique itérative des vitesses sismiques 3D d’onde P, S et le rapport (Vp/Vs). Les nouvelles données (1906 évènements) dans la région de Beni-Ilmane ont données une configuration des anomalies à faible vitesse de l'onde P correspondent aux alignements de failles déterminés à partir de preuves géologiques, et les anomalies à grande vitesse de l'onde P peuvent représenter des blocs rigides de la croûte supérieure qui ne sont pas déformés par des contraintes régionales. Les anomalies de faible vitesse des ondes S ont révélés des nouveaux résultats par rapport à (Abacha et al 2014) coïncident avec la zone de réplique et une autre zone au Nord-Est le synclinal de Beni-Ilmane, où l'on observe des valeurs relativement élevées du rapport Vp/Vs (1,78 et 1,90) par rapport aux valeurs dans les zones environnantes (1,62-1,66). Ces valeurs élevées peuvent indiquer des teneurs élevées en liquide dans la zone de réplique. Ces fluides ont pu être libérés à partir de niveaux plus profonds par les mouvements de failles pendant les tremblements de terre et ont migré rapidement vers le haut, l’hypothèse avancé dans le travail précédent et vérifier dans cette étude, la migration a été faite selon la faille inverse le long du synclinal de Beni-Ilmane. Les résultats préliminaires pour la région de Béjaia ont révélé la majorité des entités géologiques. Pour les anomalies des ondes P à grande vitesse elles coïncident avec les caps Carbon et Cavalou constitués de roche magmatique, et les anomalies de faibles vitesses coïncidentes avec les failles actives dans la région telle que Kharrata et Tachouaft. Note de contenu :
Sommaire
Introduction générale
1. Principe de la tomographie sismique...............................................................................................
9
2. La tomographie en utilisant l’enregistrement sismique.................................................................
16
2.1
Structure sismique provenant de sources contrôlées ...............................................................
16
2.1.1
Analyse de sismique réflexion d'incidence normale .........................................................
16
2.1.2
Tomographie par sismique réflexion ................................................................................
17
2.1.3
Sismique réfraction grand angle .......................................................................................
18
2.1.4
Tomographie à trous croisés « cross-hole » ......................................................................
20
2.2
Structure locale provenant des tremblements de terre .............................................................
21
2.2.1
Tomographie sismique locale (LET) ................................................................................
21
2.2.2
Tomographie télésismique ................................................................................................
25
2.2.3
Analyse de la fonction du récepteur ..................................................................................
27
2.3
Études régionales et mondiales utilisant les séismes ...............................................................
28
2.3.1
Tomographie régionale utilisant des ondes de volume .....................................................
28
2.3.2
Tomographie globale utilisant des ondes de volume ........................................................
30
2.3.3
Tomographie régionale par ondes de surface ...................................................................
31
2.3.4
Tomographie globale par ondes de surface.......................................................................
32
2.4
Tomographie Globale utilisant le bruit de fond sismique .......................................................
33
3. Logiciel de Tomographie Sismique ..............................................................................................
35
3.1
Structure générale du code.......................................................................................................
35
3.2
Préparation de la base des données et lancement des calculs ..................................................
39
3.2
Principe de calcul du code lotos 12 .........................................................................................
44
4. Application ....................................................................................................................................
48
4.1 La région de Beni-Ilmane ........................................................................................................
48
4.1.1 Les données .......................................................................................................................
50
4.1.2
Méthodologie de travail ....................................................................................................
50
4.1.3
Modélisation synthétique ..................................................................................................
52
4.2
Tomographie de la région de Beni-Ilmane avec les nouvelles données ..................................
58
4.3 La région de Béjaia ..................................................................................................................
61
2
4.3.1 Présentation de la région ................................................................................................... 61
4.3.2 Choix du modèle de vitesse .............................................................................................. 65
4.3.3 Résultats ............................................................................................................................ 67
Conclusion générale
3Côte titre : MAPH/0324 En ligne : https://drive.google.com/file/d/1Eu-a2J6jslFAoLcdUsvgEMPSP7M5QMOE/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAPH/0324 MAPH/0324 Mémoire Bibliothéque des sciences Français Disponible
DisponibleTowards an ontology mapping algorithm based on similarity measures between entities / BEN ARAB, Achraf
Titre : Towards an ontology mapping algorithm based on similarity measures between entities Type de document : texte imprimé Auteurs : BEN ARAB, Achraf ; ALLAOUI,REFOUFI, Directeur de thèse Editeur : Setif:UFA Année de publication : 2016 Importance : 1 vol (68f.) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Génie Logiciel
ontologie
mapping
mesure de similarité
OWL
WordNetIndex. décimale : 004 Informatique Résumé : Résumé
L‟ontologie est devenue une composante essentielle pour la représentation des
connaissances dans plusieurs domaines et en particulier celui du web sémantique. Le
mapping d‟ontologies consiste à identifier les correspondances entre les concepts similaires
de deux ontologies du même domaine afin de résoudre les problèmes d‟hétérogénéité des
connaissances. Dans ce mémoire, nous proposons une méthode de mapping automatique
qui permet d‟aligner deux ontologies en utilisant diverses méthodes et approches pour le
calcul de la similarité entre les concepts. Ces mesures sont d‟ordre linguistique,
sémantique, et structurel, ainsi que d‟autres mesures qui améliorent l‟efficacité de notre
solution.
Finalement, nous donnons des résultats expérimentaux pour valider notre méthode et les
comparons avec les résultats obtenus par d‟autres systèmes sur plusieurs paires
d‟ontologies recommandées par l‟I3CON (Information Interpretation and Integration
Conference). Les résultats obtenus sont très satisfaisants.
Note de contenu : Table des matières
Liste des figures............................................................................................................. x
Liste des tableaux ..........................................................................................................xii
Introduction générale....................................................................................................... 1
Chapitre I: Problème de mapping
1 Introduction.................................................................................................................... 3
2 Hétérogénéité des ontologies..................................................................................................... 3
2.1 Hétérogénéité syntaxique......................................................................................................... 4
2.2 Hétérogénéité terminologique................................................................................................. 4
2.3 Hétérogénéité conceptuelle...................................................................................................... 4
2.4 Hétérogénéité sémiotique......................................................................................................... 4
3 Le processus d’alignement ............................................................................................................ 4
3.1 Définitions................................................................................................................................... 4
3.1.1 Processus de mapping (processus d‟alignement)....................................................... 4
3.1.2 Matching (appariement) .................................................................................................. 5
3.1.3 Correspondance................................................................................................................. 5
3.1.4 Un alignement (un mapping).......................................................................................... 6
3.2 Structure d‟un alignement........................................................................................................ 6
4 Cycle de vie d’un alignement........................................................................................................ 6
5 Méthodologie de mapping ............................................................................................................. 7
5.1 L‟identification des ontologies............................................................................................... 7
5.2 Récupération des alignements existants................................................................................ 8
5.3 Sélection et composition des matchers ................................................................................. 8
5.4 Matching des ontologies .......................................................................................................... 8
5.5 Evaluation de l‟alignement...................................................................................................... 8
5.6 Amélioration de l‟alignement ................................................................................................. 8
5.7 Stockage et partage........................................................................................................ 8
5.8 L‟interprétation ............................................................................................................ 9
6 Mesure de similarité .......................................................................................................... 9
6.1 Similarité ................................................................................................................. 9
6.1.1 Définition............................................................................................................... 9
6.1.2 Similarité normalisé ...................................................................................................... 10
6.2 Techniques de mesure de similarité..................................................................................... 10
6.2.1 Méthodes terminologiques............................................................................................ 10
6.2.1.1 Méthodes syntaxiques........................................................................................... 10
6.2.1.2 Méthodes linguistiques......................................................................................... 12
6.2.2 Techniques structurelles................................................................................................ 12
6.2.2.1 Techniques basés sur la structure interne.......................................................... 12
6.2.2.2 Techniques basées sur la structure externe....................................................... 12
6.2.3 Techniques sémantiques................................................................................................ 13
6.2.4 Techniques extensionnelles.......................................................................................... 13
7 Composition des matchers........................................................................................................... 13
7.1 Composition séquentielle....................................................................................................... 13
7.2 Composition parallèle............................................................................................................. 14
8 Agrégation des similarités ........................................................................................................... 14
8.1 La somme pondéré .................................................................................................................. 15
8.2 La moyenne pondérée............................................................................................................. 15
9 Représentation de mapping ........................................................................................................ 15
10 Evaluation des systèmes d’alignement .................................................................................. 16
10.1 Les dimensions du processus d‟évaluation des alignements........................................ 16
10.1.1 Les ontologies en entrée.............................................................................................. 16
10.1.2 L‟alignement initial...................................................................................................... 17
10.1.3 Les paramètres et les ressources................................................................................ 17
10.1.4 L‟alignement en sortie................................................................................................. 17
10.1.5 Le processus d‟alignement ......................................................................................... 17
10.2 Métriques d‟évaluation.................................................................................................. 17
10.2.1 Mesures de conformité ................................................................................................ 18
10.2.1.1 Précision ............................................................................................................ 19
10.2.1.2 Rappel ............................................................................................................. 19
10.2.1.3 F-measure ........................................................................................................ 20
10.2.1.4 Fallout ..................................................................................................... 20
10.2.2 Mesures de performance .......................................................................................... 20
11 Système existants................................................................................................. 20
11.1 Systèmes à base de schéma d'ontologie: .......................................................................... 20
11.1.1 Anchor-Prompt (Université de Stanford)................................................................ 21
11.1.2 COMA et COMA++ (Université de Leipzig)......................................................... 21
11.1.3 CtxMatch et CtxMatch2 (Université de Trento etITC-IRST)............................. 21
11.2 Systèmes à base d‟instance ................................................................................................. 22
11.2.1 GLUE (Université de Washington) .......................................................................... 22
11.2.2 FCA-Merge (Université de Karslruhe) .................................................................... 22
11.3 Mixte, systèmes à base de schéma et d‟instance............................................................. 23
11.3.1 AROMA (Université de Nantes)............................................................................... 23
11.3.2 RiMOM (Université de Tsinghua)............................................................................ 23
11.3.3 NOM et QOM (Université de Karslruhe)................................................................ 23
11.3.4 IF-Map (Université de Southampton et l‟université d‟Edinburgh).................... 24
12 Conclusion....................................................................................................... 24
Chapitre II: Algorithme de mapping
1 Introduction.................................................................................................. 25
2 Notre approche ...................................................................................................... 25
2.1 La similarité terminologique ........................................................................................ 29
2.1.1 La synonymie ................................................................................................. 30
2.1.2 L‟hyperonymie ................................................................................................. 31
2.1.2.1 Première approche pour le calcul de la similarité à base de l‟hyperonymie......... 32
2.1.2.2 Deuxième approche de la similarité à base de l‟hyperonymie ..................... 33
2.1.3 Similarité syntaxique........................................................................................... 34
2.1.3.1 La distance de Hamming...................................................................................... 34
2.1.3.2 La distance d‟édition ............................................................................................. 35
2.2 Similarité relationnelle ........................................................................................... 35
2.3 Similarité structurelle interne..................................................................................... 36
2.4 Similarité basé sur les instances................................................................................. 38
2.5 Similarité Structurelle externe ................................................................................... 40
2.5.1 Première approche pour le calcul de la similarité structurelle externe ................ 41
2.5.2 Deuxième approche pour le calcul de la similarité structurelle externe.............. 42
2.5.3 Troisième approche pour le calcul de la similarité structurelle externe .............. 43
2.6 Similarité entre des éléments de différents types.............................................................. 44
3 Conclusion...................................................................................................... 45
Chapitre III: Réalisation & implémentation
1 Introduction........................................................................................................ 46
2 Environnement, outils et langage de développement.......................................................... 46
2.1 Java................................................................................................................. 46
2.2 Jena................................................................................................................. 47
2.3 SPARQL....................................................................................................................... 47
2.4 WordNet .......................................................................................................... 47
2.5 Protégé .......................................................................................................... 47
3 Présentation du système........................................................................................... 48
4 Conclusion............................................................................................................ 51Côte titre : MAI/0090 En ligne : https://drive.google.com/file/d/1n6a-PMpVUBJ6icJeN84bhbH4FPXRg37x/view?usp=shari [...] Format de la ressource électronique : Towards an ontology mapping algorithm based on similarity measures between entities [texte imprimé] / BEN ARAB, Achraf ; ALLAOUI,REFOUFI, Directeur de thèse . - [S.l.] : Setif:UFA, 2016 . - 1 vol (68f.) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Génie Logiciel
ontologie
mapping
mesure de similarité
OWL
WordNetIndex. décimale : 004 Informatique Résumé : Résumé
L‟ontologie est devenue une composante essentielle pour la représentation des
connaissances dans plusieurs domaines et en particulier celui du web sémantique. Le
mapping d‟ontologies consiste à identifier les correspondances entre les concepts similaires
de deux ontologies du même domaine afin de résoudre les problèmes d‟hétérogénéité des
connaissances. Dans ce mémoire, nous proposons une méthode de mapping automatique
qui permet d‟aligner deux ontologies en utilisant diverses méthodes et approches pour le
calcul de la similarité entre les concepts. Ces mesures sont d‟ordre linguistique,
sémantique, et structurel, ainsi que d‟autres mesures qui améliorent l‟efficacité de notre
solution.
Finalement, nous donnons des résultats expérimentaux pour valider notre méthode et les
comparons avec les résultats obtenus par d‟autres systèmes sur plusieurs paires
d‟ontologies recommandées par l‟I3CON (Information Interpretation and Integration
Conference). Les résultats obtenus sont très satisfaisants.
Note de contenu : Table des matières
Liste des figures............................................................................................................. x
Liste des tableaux ..........................................................................................................xii
Introduction générale....................................................................................................... 1
Chapitre I: Problème de mapping
1 Introduction.................................................................................................................... 3
2 Hétérogénéité des ontologies..................................................................................................... 3
2.1 Hétérogénéité syntaxique......................................................................................................... 4
2.2 Hétérogénéité terminologique................................................................................................. 4
2.3 Hétérogénéité conceptuelle...................................................................................................... 4
2.4 Hétérogénéité sémiotique......................................................................................................... 4
3 Le processus d’alignement ............................................................................................................ 4
3.1 Définitions................................................................................................................................... 4
3.1.1 Processus de mapping (processus d‟alignement)....................................................... 4
3.1.2 Matching (appariement) .................................................................................................. 5
3.1.3 Correspondance................................................................................................................. 5
3.1.4 Un alignement (un mapping).......................................................................................... 6
3.2 Structure d‟un alignement........................................................................................................ 6
4 Cycle de vie d’un alignement........................................................................................................ 6
5 Méthodologie de mapping ............................................................................................................. 7
5.1 L‟identification des ontologies............................................................................................... 7
5.2 Récupération des alignements existants................................................................................ 8
5.3 Sélection et composition des matchers ................................................................................. 8
5.4 Matching des ontologies .......................................................................................................... 8
5.5 Evaluation de l‟alignement...................................................................................................... 8
5.6 Amélioration de l‟alignement ................................................................................................. 8
5.7 Stockage et partage........................................................................................................ 8
5.8 L‟interprétation ............................................................................................................ 9
6 Mesure de similarité .......................................................................................................... 9
6.1 Similarité ................................................................................................................. 9
6.1.1 Définition............................................................................................................... 9
6.1.2 Similarité normalisé ...................................................................................................... 10
6.2 Techniques de mesure de similarité..................................................................................... 10
6.2.1 Méthodes terminologiques............................................................................................ 10
6.2.1.1 Méthodes syntaxiques........................................................................................... 10
6.2.1.2 Méthodes linguistiques......................................................................................... 12
6.2.2 Techniques structurelles................................................................................................ 12
6.2.2.1 Techniques basés sur la structure interne.......................................................... 12
6.2.2.2 Techniques basées sur la structure externe....................................................... 12
6.2.3 Techniques sémantiques................................................................................................ 13
6.2.4 Techniques extensionnelles.......................................................................................... 13
7 Composition des matchers........................................................................................................... 13
7.1 Composition séquentielle....................................................................................................... 13
7.2 Composition parallèle............................................................................................................. 14
8 Agrégation des similarités ........................................................................................................... 14
8.1 La somme pondéré .................................................................................................................. 15
8.2 La moyenne pondérée............................................................................................................. 15
9 Représentation de mapping ........................................................................................................ 15
10 Evaluation des systèmes d’alignement .................................................................................. 16
10.1 Les dimensions du processus d‟évaluation des alignements........................................ 16
10.1.1 Les ontologies en entrée.............................................................................................. 16
10.1.2 L‟alignement initial...................................................................................................... 17
10.1.3 Les paramètres et les ressources................................................................................ 17
10.1.4 L‟alignement en sortie................................................................................................. 17
10.1.5 Le processus d‟alignement ......................................................................................... 17
10.2 Métriques d‟évaluation.................................................................................................. 17
10.2.1 Mesures de conformité ................................................................................................ 18
10.2.1.1 Précision ............................................................................................................ 19
10.2.1.2 Rappel ............................................................................................................. 19
10.2.1.3 F-measure ........................................................................................................ 20
10.2.1.4 Fallout ..................................................................................................... 20
10.2.2 Mesures de performance .......................................................................................... 20
11 Système existants................................................................................................. 20
11.1 Systèmes à base de schéma d'ontologie: .......................................................................... 20
11.1.1 Anchor-Prompt (Université de Stanford)................................................................ 21
11.1.2 COMA et COMA++ (Université de Leipzig)......................................................... 21
11.1.3 CtxMatch et CtxMatch2 (Université de Trento etITC-IRST)............................. 21
11.2 Systèmes à base d‟instance ................................................................................................. 22
11.2.1 GLUE (Université de Washington) .......................................................................... 22
11.2.2 FCA-Merge (Université de Karslruhe) .................................................................... 22
11.3 Mixte, systèmes à base de schéma et d‟instance............................................................. 23
11.3.1 AROMA (Université de Nantes)............................................................................... 23
11.3.2 RiMOM (Université de Tsinghua)............................................................................ 23
11.3.3 NOM et QOM (Université de Karslruhe)................................................................ 23
11.3.4 IF-Map (Université de Southampton et l‟université d‟Edinburgh).................... 24
12 Conclusion....................................................................................................... 24
Chapitre II: Algorithme de mapping
1 Introduction.................................................................................................. 25
2 Notre approche ...................................................................................................... 25
2.1 La similarité terminologique ........................................................................................ 29
2.1.1 La synonymie ................................................................................................. 30
2.1.2 L‟hyperonymie ................................................................................................. 31
2.1.2.1 Première approche pour le calcul de la similarité à base de l‟hyperonymie......... 32
2.1.2.2 Deuxième approche de la similarité à base de l‟hyperonymie ..................... 33
2.1.3 Similarité syntaxique........................................................................................... 34
2.1.3.1 La distance de Hamming...................................................................................... 34
2.1.3.2 La distance d‟édition ............................................................................................. 35
2.2 Similarité relationnelle ........................................................................................... 35
2.3 Similarité structurelle interne..................................................................................... 36
2.4 Similarité basé sur les instances................................................................................. 38
2.5 Similarité Structurelle externe ................................................................................... 40
2.5.1 Première approche pour le calcul de la similarité structurelle externe ................ 41
2.5.2 Deuxième approche pour le calcul de la similarité structurelle externe.............. 42
2.5.3 Troisième approche pour le calcul de la similarité structurelle externe .............. 43
2.6 Similarité entre des éléments de différents types.............................................................. 44
3 Conclusion...................................................................................................... 45
Chapitre III: Réalisation & implémentation
1 Introduction........................................................................................................ 46
2 Environnement, outils et langage de développement.......................................................... 46
2.1 Java................................................................................................................. 46
2.2 Jena................................................................................................................. 47
2.3 SPARQL....................................................................................................................... 47
2.4 WordNet .......................................................................................................... 47
2.5 Protégé .......................................................................................................... 47
3 Présentation du système........................................................................................... 48
4 Conclusion............................................................................................................ 51Côte titre : MAI/0090 En ligne : https://drive.google.com/file/d/1n6a-PMpVUBJ6icJeN84bhbH4FPXRg37x/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0090 MAI/0090 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Traçage des Connaissances Profond Deep Knowledge Tracing (DKT) Type de document : texte imprimé Auteurs : Dahoua, Nesrine, Auteur ; Harbouche,Khadidja, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (59 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseau de neurones
Deep learning
Fouille de données
Fouille de données éducative
Traçage des connaissancesttraçage des connaissances profond (DKT)
prédiction des performances des élèvesIndex. décimale : 004 - Informatique Résumé : Résumé
Au cours des deux dernières décennies, il y a eu une grande variété d'approches pour la modélisation des connaissances des apprenants dans des systèmes de tutorat intelligents. En raison de la croissance de l'apprentissage en profondeur et des réseaux neuronaux artificiels à grande échelle, un certain nombre d'applications d'apprentissage automatique et de fouille de données ont connu des succès empiriques, y compris la modélisation des connaissances des étudiants. Dans ce mémoire, Nous avons étudié et appliqué un modèle de data mining éducative connu sous le nom de traçage des connaissances profond (DKT). Ce modèle a été utilisé pour évaluer et prédire les performances de l’apprenant. Le DKT est une nouvelle génération de réseau de neurones et des problèmes de prédiction de séquence, qui est composé de plusieurs couches récurrentes. Techniquement ce réseau est baptisé LSTM. Ce dernier a été réalisé sur un dataset (Assistments 2009-2010) afin de favoriser la prédiction des performances des étudiants.Note de contenu : Sommaire
Problématique................................................................................................................... 1
1.2 Organisation du mémoire ................................................................................................. 2
Chapitre 01: Le Deep Learning
1. Introduction ........................................................................................................................... 3
2. Les réseaux de neurones artificiels....................................................................................... 3
2.1 Rosenblatts Perceptron ..................................................................................................... 4
2.2 Architectures des réseaux neuronaux ............................................................................... 6
2.2.1 Réseaux Feed forward............................................................................................... 6
2.2.2 Réseaux récurrents .................................................................................................... 7
2.3 Sur apprentissage, sous-apprentissage et régularisation .................................................. 9
3. Deep Learning ...................................................................................................................... 10
3.1 Définition ....................................................................................................................... 11
 Définition 1 : .................................................................................................................. 11
 Définition 2 : .................................................................................................................. 11
 Définition 3 : .................................................................................................................. 11
3.2 Les classes de Deep Learning ........................................................................................ 11
 Réseaux profonds pour l'apprentissage supervisé .......................................................... 11
 Réseaux profonds pour l'apprentissage non supervisé ou génératif ............................... 12
 Réseaux profonds hybrides ............................................................................................ 12
3.3 Architectures de réseau profondes ................................................................................. 12
3.3.1 Machine Boltzmann ................................................................................................ 12
3.3.2 Autoencodeurs (AE) ............................................................................................... 13
 Autoencodeurs de base ................................................................................................... 13
 Denoising Autoencodeurs(DAE) ................................................................................... 14
 Contractive Autoencodeurs(CAE) ................................................................................. 15
3.3.3 Deep belief network ................................................................................................ 15
3.3.4 Réseaux de neurones convolutionnels(CNN) ......................................................... 15
 Convolutional layer ........................................................................................................ 16
 Relu layer (Rectified Linear Units) ................................................................................ 16
 Pooling layer .................................................................................................................. 16
 Batch normalisation........................................................................................................ 17
 Dropout Layer ................................................................................................................ 17
 Dense Layer (Fully connected feed-forward neural network) ....................................... 18
4. Conclusion ............................................................................................................................ 18
Chapitre 02: Data Mining éducative
1. Introduction ......................................................................................................................... 19
2. Data mining ......................................................................................................................... 19
2.1 Définition ....................................................................................................................... 19
2.2 Les techniques ................................................................................................................ 20
 Classification .............................................................................................................. 20
 Clustering.................................................................................................................... 20
 Prédication .................................................................................................................. 20
 Règle d’association ..................................................................................................... 21
 Réseaux de neurone .................................................................................................... 21
 Arbres de décision ...................................................................................................... 21
3. Les systèmes tutoriels intelligents (STI) ............................................................................ 22
3.1 Définition ....................................................................................................................... 22
3.2 L’architecture d’un STI .................................................................................................. 22
4. Data mining Educatifs ........................................................................................................ 23
4.1 Domaine de data Mining éducatives .............................................................................. 24
4.2 Méthodes de data Mining éducatifs (EDM) ................................................................... 25
 Prediction .................................................................................................................... 26
 Clustering.................................................................................................................... 27
 Relationship mining .................................................................................................... 27
 Découverte avec des modèles ..................................................................................... 28
 Distillation des données pour le jugement humain. .................................................... 28
5. Modélisation de l'apprentissage des élèves ....................................................................... 28
6. Prédiction des performances ................................................................................................. 29
6.1 Définition ....................................................................................................................... 29
6.2 Les méthodes de prédiction utilisées pour la performance des élèves ........................... 29
 Arbre de décision ........................................................................................................ 30
 Réseau neural .............................................................................................................. 30
 Naive Bayes ................................................................................................................ 30
 K-Plus proche voisin .................................................................................................. 31
 Support Vector Machine ............................................................................................. 31
7. Traçage des connaissances ................................................................................................. 32
8. Conclusion ........................................................................................................................... 33
Chapitre 03: Conception d’un Système de traçage des connaissances
1. Introduction ......................................................................................................................... 34
2. Traçage des connaissances profond ................................................................................... 34
3. Préparation du jeu de donnée............................................................................................. 36
3.1 Assistments skill builder ................................................................................................ 36
3.1 Visualisation exploratoire .............................................................................................. 38
3.2 Pré traitement du dataset ................................................................................................ 40
4. Conclusion ............................................................................................................................ 42
Chapitre 04: Implémentation et Evaluation du Modèle
1. Introduction ......................................................................................................................... 43
2. Architecture du réseau LSTM ............................................................................................ 43
2.1 Modèle ............................................................................................................................ 43
2.2 Séries temporelles d'entrée et de sortie .......................................................................... 44
2.3 Optimisation ................................................................................................................... 45
3. L'implémentation du Framework LTSM.......................................................................... 46
3.1 Deep Learning et GPU Training .................................................................................... 46
3.2 Les framworks de deep Learning ................................................................................... 46
3.2.1 Tensorflow .............................................................................................................. 46
3.2.2 Theano..................................................................................................................... 48
3.2.3 Keras ....................................................................................................................... 48
3.3 Pourquoi Keras? Bibliothèque Deep Learning pour Theano et TensorFlow ................. 48
4. Environnement de travail ...................................................................................................... 49
4.1 Python............................................................................................................................. 49
 Caractéristiques du langage :.......................................................................................... 49
 Jupyter notebook ............................................................................................................ 50
5. Implémentation ................................................................................................................... 50
5.1 L'architecture du modèle Keras ...................................................................................... 51
5.2 Métriques d'évaluation ................................................................................................... 52
5.3 Modèle de Keras compilant............................................................................................ 52
5.4 Entrainement du modèle keras ....................................................................................... 53
 Raffinement .......................................................................... 53
6. Résultat ............................................................................................................. 54
6.1 Résultats de l'apprentissage ............................................................................................ 55
6.2 Résultats de testes........................................................................................................... 56
6.3 Meilleur réseau profond ................................................................................................. 57
7. ConclusionCôte titre : MAI/0248 En ligne : https://drive.google.com/file/d/1jKBBmY3gIuJxfrqXbr-wEN3JbzMyX564/view?usp=shari [...] Format de la ressource électronique : Traçage des Connaissances Profond Deep Knowledge Tracing (DKT) [texte imprimé] / Dahoua, Nesrine, Auteur ; Harbouche,Khadidja, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (59 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseau de neurones
Deep learning
Fouille de données
Fouille de données éducative
Traçage des connaissancesttraçage des connaissances profond (DKT)
prédiction des performances des élèvesIndex. décimale : 004 - Informatique Résumé : Résumé
Au cours des deux dernières décennies, il y a eu une grande variété d'approches pour la modélisation des connaissances des apprenants dans des systèmes de tutorat intelligents. En raison de la croissance de l'apprentissage en profondeur et des réseaux neuronaux artificiels à grande échelle, un certain nombre d'applications d'apprentissage automatique et de fouille de données ont connu des succès empiriques, y compris la modélisation des connaissances des étudiants. Dans ce mémoire, Nous avons étudié et appliqué un modèle de data mining éducative connu sous le nom de traçage des connaissances profond (DKT). Ce modèle a été utilisé pour évaluer et prédire les performances de l’apprenant. Le DKT est une nouvelle génération de réseau de neurones et des problèmes de prédiction de séquence, qui est composé de plusieurs couches récurrentes. Techniquement ce réseau est baptisé LSTM. Ce dernier a été réalisé sur un dataset (Assistments 2009-2010) afin de favoriser la prédiction des performances des étudiants.Note de contenu : Sommaire
Problématique................................................................................................................... 1
1.2 Organisation du mémoire ................................................................................................. 2
Chapitre 01: Le Deep Learning
1. Introduction ........................................................................................................................... 3
2. Les réseaux de neurones artificiels....................................................................................... 3
2.1 Rosenblatts Perceptron ..................................................................................................... 4
2.2 Architectures des réseaux neuronaux ............................................................................... 6
2.2.1 Réseaux Feed forward............................................................................................... 6
2.2.2 Réseaux récurrents .................................................................................................... 7
2.3 Sur apprentissage, sous-apprentissage et régularisation .................................................. 9
3. Deep Learning ...................................................................................................................... 10
3.1 Définition ....................................................................................................................... 11
 Définition 1 : .................................................................................................................. 11
 Définition 2 : .................................................................................................................. 11
 Définition 3 : .................................................................................................................. 11
3.2 Les classes de Deep Learning ........................................................................................ 11
 Réseaux profonds pour l'apprentissage supervisé .......................................................... 11
 Réseaux profonds pour l'apprentissage non supervisé ou génératif ............................... 12
 Réseaux profonds hybrides ............................................................................................ 12
3.3 Architectures de réseau profondes ................................................................................. 12
3.3.1 Machine Boltzmann ................................................................................................ 12
3.3.2 Autoencodeurs (AE) ............................................................................................... 13
 Autoencodeurs de base ................................................................................................... 13
 Denoising Autoencodeurs(DAE) ................................................................................... 14
 Contractive Autoencodeurs(CAE) ................................................................................. 15
3.3.3 Deep belief network ................................................................................................ 15
3.3.4 Réseaux de neurones convolutionnels(CNN) ......................................................... 15
 Convolutional layer ........................................................................................................ 16
 Relu layer (Rectified Linear Units) ................................................................................ 16
 Pooling layer .................................................................................................................. 16
 Batch normalisation........................................................................................................ 17
 Dropout Layer ................................................................................................................ 17
 Dense Layer (Fully connected feed-forward neural network) ....................................... 18
4. Conclusion ............................................................................................................................ 18
Chapitre 02: Data Mining éducative
1. Introduction ......................................................................................................................... 19
2. Data mining ......................................................................................................................... 19
2.1 Définition ....................................................................................................................... 19
2.2 Les techniques ................................................................................................................ 20
 Classification .............................................................................................................. 20
 Clustering.................................................................................................................... 20
 Prédication .................................................................................................................. 20
 Règle d’association ..................................................................................................... 21
 Réseaux de neurone .................................................................................................... 21
 Arbres de décision ...................................................................................................... 21
3. Les systèmes tutoriels intelligents (STI) ............................................................................ 22
3.1 Définition ....................................................................................................................... 22
3.2 L’architecture d’un STI .................................................................................................. 22
4. Data mining Educatifs ........................................................................................................ 23
4.1 Domaine de data Mining éducatives .............................................................................. 24
4.2 Méthodes de data Mining éducatifs (EDM) ................................................................... 25
 Prediction .................................................................................................................... 26
 Clustering.................................................................................................................... 27
 Relationship mining .................................................................................................... 27
 Découverte avec des modèles ..................................................................................... 28
 Distillation des données pour le jugement humain. .................................................... 28
5. Modélisation de l'apprentissage des élèves ....................................................................... 28
6. Prédiction des performances ................................................................................................. 29
6.1 Définition ....................................................................................................................... 29
6.2 Les méthodes de prédiction utilisées pour la performance des élèves ........................... 29
 Arbre de décision ........................................................................................................ 30
 Réseau neural .............................................................................................................. 30
 Naive Bayes ................................................................................................................ 30
 K-Plus proche voisin .................................................................................................. 31
 Support Vector Machine ............................................................................................. 31
7. Traçage des connaissances ................................................................................................. 32
8. Conclusion ........................................................................................................................... 33
Chapitre 03: Conception d’un Système de traçage des connaissances
1. Introduction ......................................................................................................................... 34
2. Traçage des connaissances profond ................................................................................... 34
3. Préparation du jeu de donnée............................................................................................. 36
3.1 Assistments skill builder ................................................................................................ 36
3.1 Visualisation exploratoire .............................................................................................. 38
3.2 Pré traitement du dataset ................................................................................................ 40
4. Conclusion ............................................................................................................................ 42
Chapitre 04: Implémentation et Evaluation du Modèle
1. Introduction ......................................................................................................................... 43
2. Architecture du réseau LSTM ............................................................................................ 43
2.1 Modèle ............................................................................................................................ 43
2.2 Séries temporelles d'entrée et de sortie .......................................................................... 44
2.3 Optimisation ................................................................................................................... 45
3. L'implémentation du Framework LTSM.......................................................................... 46
3.1 Deep Learning et GPU Training .................................................................................... 46
3.2 Les framworks de deep Learning ................................................................................... 46
3.2.1 Tensorflow .............................................................................................................. 46
3.2.2 Theano..................................................................................................................... 48
3.2.3 Keras ....................................................................................................................... 48
3.3 Pourquoi Keras? Bibliothèque Deep Learning pour Theano et TensorFlow ................. 48
4. Environnement de travail ...................................................................................................... 49
4.1 Python............................................................................................................................. 49
 Caractéristiques du langage :.......................................................................................... 49
 Jupyter notebook ............................................................................................................ 50
5. Implémentation ................................................................................................................... 50
5.1 L'architecture du modèle Keras ...................................................................................... 51
5.2 Métriques d'évaluation ................................................................................................... 52
5.3 Modèle de Keras compilant............................................................................................ 52
5.4 Entrainement du modèle keras ....................................................................................... 53
 Raffinement .......................................................................... 53
6. Résultat ............................................................................................................. 54
6.1 Résultats de l'apprentissage ............................................................................................ 55
6.2 Résultats de testes........................................................................................................... 56
6.3 Meilleur réseau profond ................................................................................................. 57
7. ConclusionCôte titre : MAI/0248 En ligne : https://drive.google.com/file/d/1jKBBmY3gIuJxfrqXbr-wEN3JbzMyX564/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0248 MAI/0248 Mémoire Bibliothéque des sciences Français Disponible
DisponibleTraçage des performances d’un apprenant en utilisant les réseaux de neurones / Cherif,FAbderrahim Yahia
PermalinkPermalinkTraitement de l'américium-241 par incinération dans un réacteur nucléaire rapide / Sofia Boucherit
PermalinkTraitement et analyse des spectres expérimentaux pour la détermination du pouvoir d’arrêt des ions lourds (et) dans le Ni / Amel Tebbi
PermalinkTraitement et analyse des spectres expérimentaux pour la détermination du straggling en énergie des ions lourds traversant une cible polymérique de faible épaisseur de polyvinyle-chloride (PVC) / Soulef Hebache
PermalinkTraitement analytique de l’intégration au d’une rotation dans l’espace : Application à une réaction de double ionisation / Arbaoui Tassaadit
PermalinkTraitement analytique et numérique de l’équation intégrale de Volterra de seconde espèce / Djohra Dekhil
PermalinkPermalinkTraitement biologique par les boues activées des eaux usées domestiques : Cas de la STEP de AIN OULMAINE / Boudiaf Nemouchi
PermalinkTraitement des déchets issus de la fabrication de produits électroménagers : Brandt Algerie / Boukhari Kamel Eddin
Permalink