University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Mekroud,Noureddine |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Deep Learning based method For features extraction of Gene Expression Data Type de document : texte imprimé Auteurs : Sarah Soudane, Auteur ; Iheb Charaf Eddine Lamri, Auteur ; Mekroud,Noureddine, Directeur de thèse Année de publication : 2022 Importance : 1 vol (91 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Côte titre : MAI/0594 En ligne : https://drive.google.com/file/d/12aYLCC0x05pz9zyweAoCqs1av82AB3Gn/view?usp=share [...] Format de la ressource électronique : Deep Learning based method For features extraction of Gene Expression Data [texte imprimé] / Sarah Soudane, Auteur ; Iheb Charaf Eddine Lamri, Auteur ; Mekroud,Noureddine, Directeur de thèse . - 2022 . - 1 vol (91 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Côte titre : MAI/0594 En ligne : https://drive.google.com/file/d/12aYLCC0x05pz9zyweAoCqs1av82AB3Gn/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0594 MAI/0594 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Deep Learning based method for features selection of Gene Expression Data Type de document : texte imprimé Auteurs : Kerkour ,Ibtissem, Auteur ; Mekroud,Noureddine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (97 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
From the real mode, biological data is one of the most studied data. Given the vital importance of the knowledge hidden in these very large and heterogeneous databases, the need to analyze them through automatic and rational processing has given rise to a new line of research: bioinformatics.
The development of the embryo of a few model species is monitored by image sequences representing the genetic expression areas of each gene during the embryo growth phases. These images hide a lot of crucial and unknown knowledge that will help biologists to follow and understand the stages of development of living things, and to study the impact of gene expressions in each phase. But, the volume of these data still remains an obstacle for their study and understanding, and the reduction of their size and a persistent challenge.
Reliable reduction in the dimensions of the data studied will reduce the complexity of any training algorithms used, and help improve the quality of presentation and visualization of the results obtained. Autoencoders extract the most influential characteristics, which can then be used in a machine learning algorithm to extract relevant knowledge using fewer variables and with fewer parameters.
In this perspective, the objective of our approach is the extraction, via a proposed convolutional auto-encoder model, of a compressed number of attributes from the gene expression image sequences of the model species. Edinburgh Mouse, to then look for rules of association between the genes that are expressed during the developmental phases of the embryo of this species. A representation and validation of the results, as well as a biological interpretation of the extracted knowledge, will then be provided, which will help biologists to understand the stages of development of the embryo of living species.Côte titre : MAI/0532 En ligne : https://drive.google.com/file/d/1TQ1Ihxm3lc9PmoUqbkN2va0mewdnRW7C/view?usp=shari [...] Format de la ressource électronique : Deep Learning based method for features selection of Gene Expression Data [texte imprimé] / Kerkour ,Ibtissem, Auteur ; Mekroud,Noureddine, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (97 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
From the real mode, biological data is one of the most studied data. Given the vital importance of the knowledge hidden in these very large and heterogeneous databases, the need to analyze them through automatic and rational processing has given rise to a new line of research: bioinformatics.
The development of the embryo of a few model species is monitored by image sequences representing the genetic expression areas of each gene during the embryo growth phases. These images hide a lot of crucial and unknown knowledge that will help biologists to follow and understand the stages of development of living things, and to study the impact of gene expressions in each phase. But, the volume of these data still remains an obstacle for their study and understanding, and the reduction of their size and a persistent challenge.
Reliable reduction in the dimensions of the data studied will reduce the complexity of any training algorithms used, and help improve the quality of presentation and visualization of the results obtained. Autoencoders extract the most influential characteristics, which can then be used in a machine learning algorithm to extract relevant knowledge using fewer variables and with fewer parameters.
In this perspective, the objective of our approach is the extraction, via a proposed convolutional auto-encoder model, of a compressed number of attributes from the gene expression image sequences of the model species. Edinburgh Mouse, to then look for rules of association between the genes that are expressed during the developmental phases of the embryo of this species. A representation and validation of the results, as well as a biological interpretation of the extracted knowledge, will then be provided, which will help biologists to understand the stages of development of the embryo of living species.Côte titre : MAI/0532 En ligne : https://drive.google.com/file/d/1TQ1Ihxm3lc9PmoUqbkN2va0mewdnRW7C/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0532 MAI/0532 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleExtraction des connaissances biologiques basée sur les règles d'association et la théorie de la croyance / Gouissem ,Sarra
Titre : Extraction des connaissances biologiques basée sur les règles d'association et la théorie de la croyance Type de document : texte imprimé Auteurs : Gouissem ,Sarra, Auteur ; Mekroud,Noureddine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (74 p.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Bioinformatique
Images d’expression génétique
Fouille de données
Théorie de croyance, règles d’associationIndex. décimale : 004 - Informatique Résumé : La théorie de croyance de Dempster Shafer est une théorie mathématique basée sur la notion de preuves utilisant les fonctions de croyance et le raisonnement plausible. Cette théorie permet de combiner des preuves distinctes, elle a un fort impact sur les méthodes de fouille de données, elle peut être adaptée pour modéliser l’extraction des règles d’association. Dans ce contexte, notre approche consiste à l’extraction des règles d’association évidentielles à partir des images d’expression génétique de l’embryon de l’espèce modèle souris Edinburg. Plusieurs techniques ont été utilisées pour réduire la complexité de l’algorithme. Il s’agit d’abord du prétraitement des images numériques, ensuite la représentation de l’imperfection des données traitées suivant le concept évidentiel, en définissant ainsi une fonction de masse de chaque attribut pour la génération des itemsets évidentiels. Puis, la génération des règles d’association évidentielles suivant des seuils adéquats pour chaque paramètre de l’algorithme proposé. A la fin on a comparé les résultats obtenus avec les résultats basés sur le concept flou.
Note de contenu : Sommaire
Remerciement ........................................................................................................................................... i
Dédicace ................................................................................................................................................... ii
Table des matières .................................................................................................................................. iii
Liste des figures ...................................................................................................................................... vi
Liste des tables ....................................................................................................................................... vii
Introduction générale ............................................................................................................................. 1
Chapitre 1 ................................................................................................................................................ 3
1. Introduction .................................................................................................................................... 4
2. Définition de la bio-informatique .................................................................................................. 4
2.1 Définition 1 : ............................................................................................................................ 4
2.2 Définition 2 .............................................................................................................................. 4
3. Historique : ...................................................................................................................................... 5
4. Les différentes applications de la bioinformatique ....................................................................... 6
5. Buts de la bioinformatique ............................................................................................................. 6
6. Les notions biologiques .................................................................................................................. 7
7. Stockage : les Banques de données biologiques ........................................................................... 9
7.1 Banques généralistes ............................................................................................................ 10
7.2 Banques spécialisées ............................................................................................................ 11
7.3 La diffusion des bases de données ....................................................................................... 12
8. L’image d’expression génétique ................................................................................................... 13
9. L’imagerie in vivo des expressions génétiques ............................................................................ 13
9.1. L’imagerie in vivo de l’embryon du « poisson zèbre » ........................................................ 13
9.2. L’imagerie in vivo de l’embryon de « Edinburgh Mouse » .................................................. 16
10. Conclusion ................................................................................................................................. 17
Chapitre 2 .............................................................................................................................................. 18
1. Introduction .................................................................................................................................. 19
2. Extraction des connaissances à partir de données ...................................................................... 19
3. Fouille de données ........................................................................................................................ 22
3.1. Définition .............................................................................................................................. 22
3.2. Domaines d’application de la fouille de données ............................................................... 22
3.3. Principales tâches de fouille de données ............................................................................. 22
3.4. En général .............................................................................................................................. 23
3.5. Les Méthodes descriptives (apprentissage non supervisé) ................................................. 24
3.5.1. La méthode des K-Moyennes ...................................................................................... 24
3.5.2. Classification FCM (Fuzzy C-Means) ........................................................................ 25
3.5.3. Classification possibiliste PCM (Possibilist C-Means) ............................................. 25
Table des matières
V
viv
3.6. Les méthodes prédictives (apprentissage supervisé) .......................................................... 26
3.6.1. La méthode KNN (K- Nearest Neighbors) ................................................................ 26
3.6.2. Les arbres de décision ................................................................................................. 26
3.6.3. Les réseaux de neurones.............................................................................................. 26
4. Les règles d’association ................................................................................................................ 27
4.1. Définition .............................................................................................................................. 27
4.2. Les étapes d’extraction des règles d’association ................................................................. 28
4.3. Concepts généraux................................................................................................................ 29
4.4. Algorithmes de recherche de règles d’association .............................................................. 30
4.5. Exemple d’extraction de règle d’association : ..................................................................... 32
5. Texte mining.................................................................................................................................. 36
6. L’image Mining .............................................................................................................................. 36
7. Conclusion ..................................................................................................................................... 36
Chapitre 3 .............................................................................................................................................. 37
1. Introduction .................................................................................................................................. 38
2. Suivi du développement de la logique humaine ......................................................................... 38
2.1. La logique binaire .................................................................................................................. 39
2.2. Les données dans le monde réel .......................................................................................... 39
3. L’information imparfaite .............................................................................................................. 39
4. Les types d’imperfection des données ......................................................................................... 40
4.1. L’information imprécise ................................................................................................. 40
4.2. L’information incomplète ............................................................................................... 40
4.3. L’information incertaine ................................................................................................. 41
4.4. L’inconsistance ................................................................................................................ 41
5. Représentations formelles de l’information imparfaite ............................................................. 41
5.1. Théorie des probabilités ....................................................................................................... 41
5.1.1. Cadre classique ............................................................................................................ 42
5.1.2. Cadre bayésien ............................................................................................................. 43
5.2. Théorie des ensembles flous. ............................................................................................... 43
5.2.1. Des ensembles classiques aux ensembles flous .......................................................... 44
5.2.2. Définitions .................................................................................................................... 45
5.2.3. Fonctions d’appartenance ........................................................................................... 45
5.2.4. Les variables linguistiques .......................................................................................... 46
5.2.5. Les opérations de base sur les ensembles flous : ....................................................... 46
5.3. Théorie des possibilités ........................................................................................................ 47
5.3.1. Mesure de possibilités .................................................................................................. 47
5.3.2. Mesure de nécessités .................................................................................................... 48
5.4. Théorie de l’évidence ............................................................................................................ 48
Table des matières
V
viv
5.4.1. Cadre de discernement ................................................................................................ 49
5.4.2. Règle de combinaison de Dempster ........................................................................... 50
5.4.3. Modèle des croyances transférables ........................................................................... 51
5.4.4. Avantages et limites de la théorie de l’évidence ........................................................ 52
6. Extraction des itemsets fréquents à partir de données Flou ...................................................... 53
6.1. Théorie des sous-ensembles flous en fouille de données ............................................... 53
6.2. Définitions ........................................................................................................................ 54
7. Extraction des itemsets fréquents à partir de données évidentielles ........................................ 58
7.1. Bases de données évidentielles............................................................................................ 58
7.2. Extraction des itemsets fréquents ....................................................................................... 59
8. Conclusion ..................................................................................................................................... 61
Chapitre 4 .............................................................................................................................................. 62
1. Introduction .................................................................................................................................. 63
2. L’environnement de programmation Matlab .............................................................................. 63
3. L’approche proposée .................................................................................................................... 63
3.1. Présentation générale .......................................................................................................... 63
3.2. Pseudo code .......................................................................................................................... 64
3.3. Contribution .......................................................................................................................... 65
3.4. Prétraitement ........................................................................................................................ 65
3.4.1. Redimensionner : .................................................................................................................. 65
3.4.2. Indexation : ........................................................................................................................... 66
3.4.3. Compression :........................................................................................................................ 66
3.5. Conception de l’approche proposée .................................................................................... 67
3.5.1. Masse évidentielle ........................................................................................................ 67
3.6. La table de transaction ......................................................................................................... 68
4. Discutions des résultats ................................................................................................................ 69
5. L’interface graphique .................................................................................................................... 70
6. Conclusion ..................................................................................................................................... 71
Conclusion générale .............................................................................................................................. 72
Résumé .................................................................................................................................................. 73
Bibliographie ......................................................................................................................................... 74
Liste des figures
VI
vi
Liste desCôte titre : MAI/0293 En ligne : https://drive.google.com/file/d/1-Sl6uSYkmt1DS6Fugv15SM6wbJw3GMga/view?usp=shari [...] Format de la ressource électronique : Extraction des connaissances biologiques basée sur les règles d'association et la théorie de la croyance [texte imprimé] / Gouissem ,Sarra, Auteur ; Mekroud,Noureddine, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (74 p.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Bioinformatique
Images d’expression génétique
Fouille de données
Théorie de croyance, règles d’associationIndex. décimale : 004 - Informatique Résumé : La théorie de croyance de Dempster Shafer est une théorie mathématique basée sur la notion de preuves utilisant les fonctions de croyance et le raisonnement plausible. Cette théorie permet de combiner des preuves distinctes, elle a un fort impact sur les méthodes de fouille de données, elle peut être adaptée pour modéliser l’extraction des règles d’association. Dans ce contexte, notre approche consiste à l’extraction des règles d’association évidentielles à partir des images d’expression génétique de l’embryon de l’espèce modèle souris Edinburg. Plusieurs techniques ont été utilisées pour réduire la complexité de l’algorithme. Il s’agit d’abord du prétraitement des images numériques, ensuite la représentation de l’imperfection des données traitées suivant le concept évidentiel, en définissant ainsi une fonction de masse de chaque attribut pour la génération des itemsets évidentiels. Puis, la génération des règles d’association évidentielles suivant des seuils adéquats pour chaque paramètre de l’algorithme proposé. A la fin on a comparé les résultats obtenus avec les résultats basés sur le concept flou.
Note de contenu : Sommaire
Remerciement ........................................................................................................................................... i
Dédicace ................................................................................................................................................... ii
Table des matières .................................................................................................................................. iii
Liste des figures ...................................................................................................................................... vi
Liste des tables ....................................................................................................................................... vii
Introduction générale ............................................................................................................................. 1
Chapitre 1 ................................................................................................................................................ 3
1. Introduction .................................................................................................................................... 4
2. Définition de la bio-informatique .................................................................................................. 4
2.1 Définition 1 : ............................................................................................................................ 4
2.2 Définition 2 .............................................................................................................................. 4
3. Historique : ...................................................................................................................................... 5
4. Les différentes applications de la bioinformatique ....................................................................... 6
5. Buts de la bioinformatique ............................................................................................................. 6
6. Les notions biologiques .................................................................................................................. 7
7. Stockage : les Banques de données biologiques ........................................................................... 9
7.1 Banques généralistes ............................................................................................................ 10
7.2 Banques spécialisées ............................................................................................................ 11
7.3 La diffusion des bases de données ....................................................................................... 12
8. L’image d’expression génétique ................................................................................................... 13
9. L’imagerie in vivo des expressions génétiques ............................................................................ 13
9.1. L’imagerie in vivo de l’embryon du « poisson zèbre » ........................................................ 13
9.2. L’imagerie in vivo de l’embryon de « Edinburgh Mouse » .................................................. 16
10. Conclusion ................................................................................................................................. 17
Chapitre 2 .............................................................................................................................................. 18
1. Introduction .................................................................................................................................. 19
2. Extraction des connaissances à partir de données ...................................................................... 19
3. Fouille de données ........................................................................................................................ 22
3.1. Définition .............................................................................................................................. 22
3.2. Domaines d’application de la fouille de données ............................................................... 22
3.3. Principales tâches de fouille de données ............................................................................. 22
3.4. En général .............................................................................................................................. 23
3.5. Les Méthodes descriptives (apprentissage non supervisé) ................................................. 24
3.5.1. La méthode des K-Moyennes ...................................................................................... 24
3.5.2. Classification FCM (Fuzzy C-Means) ........................................................................ 25
3.5.3. Classification possibiliste PCM (Possibilist C-Means) ............................................. 25
Table des matières
V
viv
3.6. Les méthodes prédictives (apprentissage supervisé) .......................................................... 26
3.6.1. La méthode KNN (K- Nearest Neighbors) ................................................................ 26
3.6.2. Les arbres de décision ................................................................................................. 26
3.6.3. Les réseaux de neurones.............................................................................................. 26
4. Les règles d’association ................................................................................................................ 27
4.1. Définition .............................................................................................................................. 27
4.2. Les étapes d’extraction des règles d’association ................................................................. 28
4.3. Concepts généraux................................................................................................................ 29
4.4. Algorithmes de recherche de règles d’association .............................................................. 30
4.5. Exemple d’extraction de règle d’association : ..................................................................... 32
5. Texte mining.................................................................................................................................. 36
6. L’image Mining .............................................................................................................................. 36
7. Conclusion ..................................................................................................................................... 36
Chapitre 3 .............................................................................................................................................. 37
1. Introduction .................................................................................................................................. 38
2. Suivi du développement de la logique humaine ......................................................................... 38
2.1. La logique binaire .................................................................................................................. 39
2.2. Les données dans le monde réel .......................................................................................... 39
3. L’information imparfaite .............................................................................................................. 39
4. Les types d’imperfection des données ......................................................................................... 40
4.1. L’information imprécise ................................................................................................. 40
4.2. L’information incomplète ............................................................................................... 40
4.3. L’information incertaine ................................................................................................. 41
4.4. L’inconsistance ................................................................................................................ 41
5. Représentations formelles de l’information imparfaite ............................................................. 41
5.1. Théorie des probabilités ....................................................................................................... 41
5.1.1. Cadre classique ............................................................................................................ 42
5.1.2. Cadre bayésien ............................................................................................................. 43
5.2. Théorie des ensembles flous. ............................................................................................... 43
5.2.1. Des ensembles classiques aux ensembles flous .......................................................... 44
5.2.2. Définitions .................................................................................................................... 45
5.2.3. Fonctions d’appartenance ........................................................................................... 45
5.2.4. Les variables linguistiques .......................................................................................... 46
5.2.5. Les opérations de base sur les ensembles flous : ....................................................... 46
5.3. Théorie des possibilités ........................................................................................................ 47
5.3.1. Mesure de possibilités .................................................................................................. 47
5.3.2. Mesure de nécessités .................................................................................................... 48
5.4. Théorie de l’évidence ............................................................................................................ 48
Table des matières
V
viv
5.4.1. Cadre de discernement ................................................................................................ 49
5.4.2. Règle de combinaison de Dempster ........................................................................... 50
5.4.3. Modèle des croyances transférables ........................................................................... 51
5.4.4. Avantages et limites de la théorie de l’évidence ........................................................ 52
6. Extraction des itemsets fréquents à partir de données Flou ...................................................... 53
6.1. Théorie des sous-ensembles flous en fouille de données ............................................... 53
6.2. Définitions ........................................................................................................................ 54
7. Extraction des itemsets fréquents à partir de données évidentielles ........................................ 58
7.1. Bases de données évidentielles............................................................................................ 58
7.2. Extraction des itemsets fréquents ....................................................................................... 59
8. Conclusion ..................................................................................................................................... 61
Chapitre 4 .............................................................................................................................................. 62
1. Introduction .................................................................................................................................. 63
2. L’environnement de programmation Matlab .............................................................................. 63
3. L’approche proposée .................................................................................................................... 63
3.1. Présentation générale .......................................................................................................... 63
3.2. Pseudo code .......................................................................................................................... 64
3.3. Contribution .......................................................................................................................... 65
3.4. Prétraitement ........................................................................................................................ 65
3.4.1. Redimensionner : .................................................................................................................. 65
3.4.2. Indexation : ........................................................................................................................... 66
3.4.3. Compression :........................................................................................................................ 66
3.5. Conception de l’approche proposée .................................................................................... 67
3.5.1. Masse évidentielle ........................................................................................................ 67
3.6. La table de transaction ......................................................................................................... 68
4. Discutions des résultats ................................................................................................................ 69
5. L’interface graphique .................................................................................................................... 70
6. Conclusion ..................................................................................................................................... 71
Conclusion générale .............................................................................................................................. 72
Résumé .................................................................................................................................................. 73
Bibliographie ......................................................................................................................................... 74
Liste des figures
VI
vi
Liste desCôte titre : MAI/0293 En ligne : https://drive.google.com/file/d/1-Sl6uSYkmt1DS6Fugv15SM6wbJw3GMga/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0293 MAI/0293 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Extraction des motifs séquentiels flous et possibilistes à partir des données d'expression génétique Type de document : texte imprimé Auteurs : el Mokhtar Adimi, Auteur ; Elkacem Djellal, Auteur ; Mekroud,Noureddine, Auteur Année de publication : 2022 Importance : 1 vol (76 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique
Client/serverIndex. décimale : 004 Informatique Résumé :
Les logiques floues et possibiliste ont un fort impact sur les techniques de fouille de données, particulièrement sur les règles d’association et les motifs séquentiels. Plusieurs recherches ont été effectuées basées sur une modélisation des données traitées via ces deux logiques.
Aussi, plusieurs adaptations des algorithmes de DataMining ont été proposées pour être en adéquation avec les deux logiques réaliste floue et possibiliste. Parmi les domaines d’études riches en données volumineuses et vitales se trouve la bio-informatique, le besoin d’intégrer des méthodes computationnelles, pour analyser et comprendre ces données, est d’une nécessité majeure.
Dans cette perspective, notre approche consiste en une critique et comparaison entre deux travaux réalisés précédemment, visant l’extraction des motifs séquentiels les plus fréquents cachées dans des images d’expression génétiques de l‘espèce modèle «Edinburgh Mouse», en utilisant deux approches de modélisation différentes (floue et possibiliste). Le but est de décider la logique de modélisation la plus adéquate à ce type de données étudiés, ainsi de proposer des suggestions utiles pour améliorer la qualité de ces modélisations, et ce après avoir discuté et interpréter biologiquement les résultats.Côte titre : MAI/0691 En ligne : https://drive.google.com/file/d/1GoJ4xfnTviR2RN7fFIssxV-nyNP7sp43/view?usp=share [...] Format de la ressource électronique : Extraction des motifs séquentiels flous et possibilistes à partir des données d'expression génétique [texte imprimé] / el Mokhtar Adimi, Auteur ; Elkacem Djellal, Auteur ; Mekroud,Noureddine, Auteur . - 2022 . - 1 vol (76 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique
Client/serverIndex. décimale : 004 Informatique Résumé :
Les logiques floues et possibiliste ont un fort impact sur les techniques de fouille de données, particulièrement sur les règles d’association et les motifs séquentiels. Plusieurs recherches ont été effectuées basées sur une modélisation des données traitées via ces deux logiques.
Aussi, plusieurs adaptations des algorithmes de DataMining ont été proposées pour être en adéquation avec les deux logiques réaliste floue et possibiliste. Parmi les domaines d’études riches en données volumineuses et vitales se trouve la bio-informatique, le besoin d’intégrer des méthodes computationnelles, pour analyser et comprendre ces données, est d’une nécessité majeure.
Dans cette perspective, notre approche consiste en une critique et comparaison entre deux travaux réalisés précédemment, visant l’extraction des motifs séquentiels les plus fréquents cachées dans des images d’expression génétiques de l‘espèce modèle «Edinburgh Mouse», en utilisant deux approches de modélisation différentes (floue et possibiliste). Le but est de décider la logique de modélisation la plus adéquate à ce type de données étudiés, ainsi de proposer des suggestions utiles pour améliorer la qualité de ces modélisations, et ce après avoir discuté et interpréter biologiquement les résultats.Côte titre : MAI/0691 En ligne : https://drive.google.com/file/d/1GoJ4xfnTviR2RN7fFIssxV-nyNP7sp43/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0691 MAI/0691 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Extraction des motifs séquentiels possibilistes à partir des données d’expression génétique Type de document : texte imprimé Auteurs : Boukaroura ,mohamed, Auteur ; Mekroud,Noureddine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (79 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Fouille de données
Motifs séquentiels
Bio-informatiqueIndex. décimale : 004 - Informatique Résumé :
La logique possibiliste a un fort impact sur les méthodes de fouille de données, particulièrement sur les motifs séquentiels. Parmi les domaines d’études riches en données se trouve la bio-informatique, le besoin d’intégrer des méthodes computationnelles, pour analyser et comprendre ses données, est d’une nécessité majeure. Dans cette perspective, notre approche consiste à extraire des motifs séquentiels possibilistes à partir des séquences d’images d’expression génétique de l’embryon de l’espèce modèle « Edinburg Mouse ». Plusieurs opérations de prétraitement sur cette base d’images biologiques ont été faites, commençant par le redimensionnement de ces images pour unifier les dimensions ainsi que leur indexation en 4 puis 3 couleurs porteuses de connaissances, pour en extraire ensuite (avec la vectorisation) les variables les plus influentes) dans le but de réduire la complexité de l’algorithme proposé. Ensuite, des redéfinitions des notions d’union et de cardinalité ont été proposées, pour rendre l’algorithme d’extraction des motifs séquentiels en adéquation avec les notions de la logique possibiliste. Enfin, les motifs extraits par notre approche aideront les biologistes à étudier et comprendre les phases de développement de l’embryon des espèces vivants.Côte titre : MAI/0519 En ligne : https://drive.google.com/file/d/1rH8lCDTvHNROgRi_h-odm9t2BDicrN8u/view?usp=shari [...] Format de la ressource électronique : Extraction des motifs séquentiels possibilistes à partir des données d’expression génétique [texte imprimé] / Boukaroura ,mohamed, Auteur ; Mekroud,Noureddine, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (79 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Fouille de données
Motifs séquentiels
Bio-informatiqueIndex. décimale : 004 - Informatique Résumé :
La logique possibiliste a un fort impact sur les méthodes de fouille de données, particulièrement sur les motifs séquentiels. Parmi les domaines d’études riches en données se trouve la bio-informatique, le besoin d’intégrer des méthodes computationnelles, pour analyser et comprendre ses données, est d’une nécessité majeure. Dans cette perspective, notre approche consiste à extraire des motifs séquentiels possibilistes à partir des séquences d’images d’expression génétique de l’embryon de l’espèce modèle « Edinburg Mouse ». Plusieurs opérations de prétraitement sur cette base d’images biologiques ont été faites, commençant par le redimensionnement de ces images pour unifier les dimensions ainsi que leur indexation en 4 puis 3 couleurs porteuses de connaissances, pour en extraire ensuite (avec la vectorisation) les variables les plus influentes) dans le but de réduire la complexité de l’algorithme proposé. Ensuite, des redéfinitions des notions d’union et de cardinalité ont été proposées, pour rendre l’algorithme d’extraction des motifs séquentiels en adéquation avec les notions de la logique possibiliste. Enfin, les motifs extraits par notre approche aideront les biologistes à étudier et comprendre les phases de développement de l’embryon des espèces vivants.Côte titre : MAI/0519 En ligne : https://drive.google.com/file/d/1rH8lCDTvHNROgRi_h-odm9t2BDicrN8u/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0519 MAI/0519 Mémoire Bibliothéque des sciences Français Disponible
Disponible
PermalinkPermalinkPermalinkPermalink
Permalink
