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
Destruction des produits des fissions a vies longues dans les réacteurs thermiques , application technétium-99 / Naima Amrani
Titre : Destruction des produits des fissions a vies longues dans les réacteurs thermiques , application technétium-99 Type de document : texte imprimé Auteurs : Naima Amrani ; Boucenna ,A Editeur : Setif:UFA Année de publication : 2009 Importance : 1 vol (76 f .) Format : 29 cm Catégories : Thèses & Mémoires:Physique Mots-clés : Déchets nucléaires
Transmutation nucléaire
Transmutation du technétium-99
Code de calcule ChainSolverIndex. décimale : 530 Physique Résumé : L'une des voies envisagées pour le traitement des déchets nucléaires est la transmutation dont
le principe est basé sur la transformation de l'élément radiotoxique à vie longue par une
réaction nucléaire vers un autre élément moins radioactif ou stable. Le technétium 99 (99Tc)
de vie moyenne très longue 2.1 105 ans est présent avec une quantité significatif dans les
déchets nucléaires. Par capture neutronique, il donne le technétium -100 (100Tc) de vie
moyenne 15.8 s et qui décroît par émission d'une particule bêta (b-) pour donner le ruthénium-
100 (100Ru) stable. La transmutation du 99Tc dans les réacteurs thermiques est possible mais le
taux de transmutation évalué par le code de calcule ChainSolver est faible autour de 15.92%
pour une période à plein puissance de 579.3 jours. En nous Basant sur ces résultats on propose
le concept d’un réacteur de recherches à neutrons rapide destiné à la transmutation du
Technétium-99, avec un taux qui peut atteindre les 83%.Côte titre : DPH/0088 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/2481 Destruction des produits des fissions a vies longues dans les réacteurs thermiques , application technétium-99 [texte imprimé] / Naima Amrani ; Boucenna ,A . - [S.l.] : Setif:UFA, 2009 . - 1 vol (76 f .) ; 29 cm.
Catégories : Thèses & Mémoires:Physique Mots-clés : Déchets nucléaires
Transmutation nucléaire
Transmutation du technétium-99
Code de calcule ChainSolverIndex. décimale : 530 Physique Résumé : L'une des voies envisagées pour le traitement des déchets nucléaires est la transmutation dont
le principe est basé sur la transformation de l'élément radiotoxique à vie longue par une
réaction nucléaire vers un autre élément moins radioactif ou stable. Le technétium 99 (99Tc)
de vie moyenne très longue 2.1 105 ans est présent avec une quantité significatif dans les
déchets nucléaires. Par capture neutronique, il donne le technétium -100 (100Tc) de vie
moyenne 15.8 s et qui décroît par émission d'une particule bêta (b-) pour donner le ruthénium-
100 (100Ru) stable. La transmutation du 99Tc dans les réacteurs thermiques est possible mais le
taux de transmutation évalué par le code de calcule ChainSolver est faible autour de 15.92%
pour une période à plein puissance de 579.3 jours. En nous Basant sur ces résultats on propose
le concept d’un réacteur de recherches à neutrons rapide destiné à la transmutation du
Technétium-99, avec un taux qui peut atteindre les 83%.Côte titre : DPH/0088 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/2481 Exemplaires (2)
Code-barres Cote Support Localisation Section Disponibilité DPH/0088 DPH/0088 Thèse Bibliothéque des sciences Français Disponible
DisponibleDPH/0283 DPH/0283 Thèse Bibliothéque des sciences Français Disponible
DisponibleLA DETECTION DES CHANGEMENTS DANS LES IMAGES SATELLITAIRES AVEC L`APPRENTISSAGE PROFOND (DEEP LEARNING) / LAFI ,Yacine
Titre : LA DETECTION DES CHANGEMENTS DANS LES IMAGES SATELLITAIRES AVEC L`APPRENTISSAGE PROFOND (DEEP LEARNING) Type de document : texte imprimé Auteurs : LAFI ,Yacine, Auteur ; Slimani,Yacine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (51 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : l’apprentissage profond
les réseaux de neurones convolutifs (CNN)
l’application de la détection des changementsIndex. décimale : 004 - Informatique Résumé :
Avec le développement rapide de diverses technologies de capteur satellite, l'image satellitaire a été une source d'importation de données, Ce qui a permis à l’être humain de localiser, cartographier, découvrir des richesses et identifier des problèmes environnementaux, en plus de l’application de la détection des changements dans les images satellitaires avec l’apprentissage profond et plus spécifiquement les réseaux de neurones convolutifs (CNN), et cette application fait partie des plus gros problèmes dans le domaine du traitement d'image. Donc, dans ce mémoire, nous avons expliqué le fonctionnement de cette application et nous avons également implémenté des méthodes d'application de la détection de changement dans l'imagerie satellite en utilisant les algorithmes de modèle CNN. Et nous avons pu obtenir de bons résultatsCôte titre : MAI/0448 En ligne : https://drive.google.com/file/d/1KZnfkxd4jKTQdObFtrUMXH4Pi0_zdSXs/view?usp=shari [...] Format de la ressource électronique : LA DETECTION DES CHANGEMENTS DANS LES IMAGES SATELLITAIRES AVEC L`APPRENTISSAGE PROFOND (DEEP LEARNING) [texte imprimé] / LAFI ,Yacine, Auteur ; Slimani,Yacine, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (51 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : l’apprentissage profond
les réseaux de neurones convolutifs (CNN)
l’application de la détection des changementsIndex. décimale : 004 - Informatique Résumé :
Avec le développement rapide de diverses technologies de capteur satellite, l'image satellitaire a été une source d'importation de données, Ce qui a permis à l’être humain de localiser, cartographier, découvrir des richesses et identifier des problèmes environnementaux, en plus de l’application de la détection des changements dans les images satellitaires avec l’apprentissage profond et plus spécifiquement les réseaux de neurones convolutifs (CNN), et cette application fait partie des plus gros problèmes dans le domaine du traitement d'image. Donc, dans ce mémoire, nous avons expliqué le fonctionnement de cette application et nous avons également implémenté des méthodes d'application de la détection de changement dans l'imagerie satellite en utilisant les algorithmes de modèle CNN. Et nous avons pu obtenir de bons résultatsCôte titre : MAI/0448 En ligne : https://drive.google.com/file/d/1KZnfkxd4jKTQdObFtrUMXH4Pi0_zdSXs/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0448 MAI/0448 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Détection de Communauté dans Les Réseaux Sociaux Type de document : texte imprimé Auteurs : Belarbi,Ahmed Karim, Auteur ; Toumi,Lyazid, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (86 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Détection de communautés
Réseaux sociauxIndex. décimale : 004 - Informatique Résumé : La capacité d’analyser les grands réseaux pour détecter les sous-ensembles de sommets plus densément connectés que d’autres, peut nous aider à comprendre et à visualiser la structure de ces réseaux. Les sous-ensembles appelé communautés.
La détection des communautés est appliquée dans des déférents domaines diversifiés tels que la sociologie, l’informatique, l’ingénierie et la biologie.
De fait, il s’agit de déterminer des classes dans un graphe. De nombreuses approches ont été proposées pour découvrir les structures de communautés dans les réseaux. Ces approches sont pour la plupart dédiées pour détecter les communautés disjointes. En biologie, où nous analysons les réseaux d’interactions protéine-protéine pour, entre autres, prédire leurs fonctions, nombreuses sont celles qui ont plusieurs fonctions et dans ce cas il est raisonnable de construire non pas une partition, mais un recouvrement, c’est à dire un système de classes chevauchantes. Il en est de même dans les réseaux sociaux, où les individus peuvent appartenir à plusieurs groupes.
On s'intéresse sur les méthodes de construction d’une partition des sommets du graphe qui maximisent un certain critère. Parmi les nombreux critères qui évaluent la qualité d’une partition, nous ne faisons ici référence qu’à la notion de modularité introduite par Newman. Malheureusement, son optimisation sur l’ensemble de toutes les partitions des sommets d’un graphe est un problème NP-difficile ; il en est évidemment de même pour les recouvrements. Il faut donc utiliser des méthodes heuristiques, dès lors que les graphes étudiés sont de grande taille. Dans ce mémoire, nous proposons deux méthodes approchées, l’une pour les partitions, ce qui permet d’optimiser la modularité (VOS Clustering) basée sur l'algorithme de Louvain, qui est actuellement le meilleur algorithme en termes de complexité, d’efficacité pour calculer des communautés sur de très grands graphes. L’autre pour les recouvrements, Elle est basée sur la première approche pour le nombre de communautés défini pour détecter les communautés chevauchantes, c’est l’algorithme FCM (Fuzzy C-Means).
Nous avons mis en place une évaluation de nos méthodes, après avoir les testés sur des différents benchmarks de graphes réels. Et nous avons présenté les résultats qui sont jugés satisfaisants après les comparés à ceux de la littérature.Note de contenu : Sommaire
Dédicaces…………………………………………………………………………..ii
Remerciements………………………………………………………………..…..iii
Résumé……………………………………………..……………………………...iv
Table des matières…………………………………………………………….…..vi
Table de figures……………………………………………………………….…...x
Introduction Générale………………………….…………..……...………….…..13
1. Contexte générale……………………………………………………….13
2. Problématique et objectif de l’étude…………………………………….14
3. Contribution……………………………………………………………..14
4. Organisation du mémoire……………………………………...….……..14
Chapitre 1 : Notations et définitions
1.1 Introduction…………………….……………………………………..….…….……17
1.2 Réseau social………………….….………..…………………………….……...……17
1.3 Modélisation par les graphes………………………………………..…..…….…….18
1.4 Concepts…………….…………..……………………………………….…......….….19
1.4.1 Notion relative au graphe……………………..……………………….……...….19
1.5 Mesures de centralités……………………………………………...…..….…………23
1.5.1 Degré de centralité…………….....…………………………………...………....23
1.5.2 Centralité intermédiarité………………………..……………………....……….24
1.6 Modularité………………………………………………………………..…..………24
1.7 Graphe de terrain……………………………………………………….…..……….26
1.8 Communauté…………………………………………………………….……..…….26
1.9 Détection de communautés……………..……………………………………….…..27
vii
1.10 Analyse des réseaux sociaux……………………………………………………….28
1.11 Intérêt de la détection de communautés et ses applications……………….…….29
1.12 Conclusion…………………………...………………………………….…………..30
Chapitre 2 : Etat de l'art
2.1 Introduction………………………………………………………….………….32
2.2 Les approches de détection de communauté……………………………………32
2.2.1 Les approches statistiques sans recouvrements……………….…………32
2.2.1.1 Les approches hiérarchiques………………………………..……….33
2.2.1.1.1 Approche Hiérarchique Ascendantes…………….………34
2.2.1.1.2 Approche Hiérarchique Descendantes…….………..…….37
2.2.1.2 Partitionnement non hiérarchique…………………………..………41
2.2.1.2.1 Centre mobiles……………………………………..………41
2.2.1.2.2 Nuées dynamiques………………………………….……..42
2.2.1.3 Approches utilisant des marches aléatoires………………….……..42
2.2.1.4 Approches spectrales…………………………………………..…...44
2.2.2 Les approches statistiques avec recouvrement…………….………..…45
2.2.2.1 Approches basées sur des cliques………………………………..…46
2.2.2.2 Approches basé sur la propagation de labels………………….…....48
2.2.2.3 Approches basées sur des graines………………………….…….....51
2.3 Les approches dynamiques………………………………………………..52
2.3.1 Approches par détections statiques successives……………………….54
2.3.2 Les approches par détections statiques informées successives……….56
2.4 Conclusion…………………………………………………………..……..59
viii
Chapitre 3 : Contribution Et Algorithmes Etudiés
3.1 Introduction………………………………………………………………….61
3.2 Détection communautés avec la méthode VOS Clustering……………….61
3.2.1 Méthode de Louvain…………………………………………………61
3.2.1.1 Avantage……………………………………………………………..61
3.2.1.2 Inconvénient…………………………………………………….…...62
3.2.1.3 Exemple de détection de communautés pour des réseaux sociaux…...62
3.2.2 Vos Clustering…………………………………………………..……..63
3.2.2.1 Avantage……………………………………………………..………63
3.2.2.2 inconvénients………………………………………………..……….64
3.3 Détection les recouvrements avec la méthode de Fuzzy C-means……….…64
3.3.1 Avantages………………………………………………………………..…..65
3.3.2 Inconvénients……………………………………………………………..…65
3.4 Contribution…………………………………………………………………..65
3.4.1 Distance et métriques……………………………………………..………...66
3.4.1.1 Notion de distance………………………………………….………..66
3.4.1.2 Quelques types de distance………………………………….……….66
3.4.1.3 Similarité…………………………………………………….………68
3.5 Conclusion………………………………………………………………..……69
Chapitre 4 : Évaluation et Expérimentation.
4.1 Introduction…………………………………………………………………...71
4.2 Les langages utilisés et les outils d'implémentations………………………..71
4.2.1 Langage Python…………………………………………………………….71
4.2.2 PyCharm……………………………………………………………………71
4.3 Les Benchmarks de Test……………………………………………………...72
ix
4.3.1 Benchmark du Club de Karaté Zachary………………………………….72
4.3.2 Benchmark d’Albert Barabasi Model…………………………………….72
4.4 Format du fichier……………………………………………………………..72
4.5 Interfaces de notre application de détection de communauté…………..…74
4.5.1 Interface d’accueil………………………………………………………….74
4.5.2 Principe de fonctionnement de l’application……………………………..75
4.5.2.1 Détection de communautés partitionnées…………………………...76
4.5.2.2 Détection et analyse de communautés recouvrantes………………...81
4.6 Conclusion……………………………………………………………………..84
Conclusion générale………………………………………………………………85
Bibliographie……………………………………………………………………...86Côte titre : MAI/0295 En ligne : https://drive.google.com/file/d/1h8tFrJ5pOSHjoIpKRj3dNDcit8Ql2XGD/view?usp=shari [...] Format de la ressource électronique : Détection de Communauté dans Les Réseaux Sociaux [texte imprimé] / Belarbi,Ahmed Karim, Auteur ; Toumi,Lyazid, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (86 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Détection de communautés
Réseaux sociauxIndex. décimale : 004 - Informatique Résumé : La capacité d’analyser les grands réseaux pour détecter les sous-ensembles de sommets plus densément connectés que d’autres, peut nous aider à comprendre et à visualiser la structure de ces réseaux. Les sous-ensembles appelé communautés.
La détection des communautés est appliquée dans des déférents domaines diversifiés tels que la sociologie, l’informatique, l’ingénierie et la biologie.
De fait, il s’agit de déterminer des classes dans un graphe. De nombreuses approches ont été proposées pour découvrir les structures de communautés dans les réseaux. Ces approches sont pour la plupart dédiées pour détecter les communautés disjointes. En biologie, où nous analysons les réseaux d’interactions protéine-protéine pour, entre autres, prédire leurs fonctions, nombreuses sont celles qui ont plusieurs fonctions et dans ce cas il est raisonnable de construire non pas une partition, mais un recouvrement, c’est à dire un système de classes chevauchantes. Il en est de même dans les réseaux sociaux, où les individus peuvent appartenir à plusieurs groupes.
On s'intéresse sur les méthodes de construction d’une partition des sommets du graphe qui maximisent un certain critère. Parmi les nombreux critères qui évaluent la qualité d’une partition, nous ne faisons ici référence qu’à la notion de modularité introduite par Newman. Malheureusement, son optimisation sur l’ensemble de toutes les partitions des sommets d’un graphe est un problème NP-difficile ; il en est évidemment de même pour les recouvrements. Il faut donc utiliser des méthodes heuristiques, dès lors que les graphes étudiés sont de grande taille. Dans ce mémoire, nous proposons deux méthodes approchées, l’une pour les partitions, ce qui permet d’optimiser la modularité (VOS Clustering) basée sur l'algorithme de Louvain, qui est actuellement le meilleur algorithme en termes de complexité, d’efficacité pour calculer des communautés sur de très grands graphes. L’autre pour les recouvrements, Elle est basée sur la première approche pour le nombre de communautés défini pour détecter les communautés chevauchantes, c’est l’algorithme FCM (Fuzzy C-Means).
Nous avons mis en place une évaluation de nos méthodes, après avoir les testés sur des différents benchmarks de graphes réels. Et nous avons présenté les résultats qui sont jugés satisfaisants après les comparés à ceux de la littérature.Note de contenu : Sommaire
Dédicaces…………………………………………………………………………..ii
Remerciements………………………………………………………………..…..iii
Résumé……………………………………………..……………………………...iv
Table des matières…………………………………………………………….…..vi
Table de figures……………………………………………………………….…...x
Introduction Générale………………………….…………..……...………….…..13
1. Contexte générale……………………………………………………….13
2. Problématique et objectif de l’étude…………………………………….14
3. Contribution……………………………………………………………..14
4. Organisation du mémoire……………………………………...….……..14
Chapitre 1 : Notations et définitions
1.1 Introduction…………………….……………………………………..….…….……17
1.2 Réseau social………………….….………..…………………………….……...……17
1.3 Modélisation par les graphes………………………………………..…..…….…….18
1.4 Concepts…………….…………..……………………………………….…......….….19
1.4.1 Notion relative au graphe……………………..……………………….……...….19
1.5 Mesures de centralités……………………………………………...…..….…………23
1.5.1 Degré de centralité…………….....…………………………………...………....23
1.5.2 Centralité intermédiarité………………………..……………………....……….24
1.6 Modularité………………………………………………………………..…..………24
1.7 Graphe de terrain……………………………………………………….…..……….26
1.8 Communauté…………………………………………………………….……..…….26
1.9 Détection de communautés……………..……………………………………….…..27
vii
1.10 Analyse des réseaux sociaux……………………………………………………….28
1.11 Intérêt de la détection de communautés et ses applications……………….…….29
1.12 Conclusion…………………………...………………………………….…………..30
Chapitre 2 : Etat de l'art
2.1 Introduction………………………………………………………….………….32
2.2 Les approches de détection de communauté……………………………………32
2.2.1 Les approches statistiques sans recouvrements……………….…………32
2.2.1.1 Les approches hiérarchiques………………………………..……….33
2.2.1.1.1 Approche Hiérarchique Ascendantes…………….………34
2.2.1.1.2 Approche Hiérarchique Descendantes…….………..…….37
2.2.1.2 Partitionnement non hiérarchique…………………………..………41
2.2.1.2.1 Centre mobiles……………………………………..………41
2.2.1.2.2 Nuées dynamiques………………………………….……..42
2.2.1.3 Approches utilisant des marches aléatoires………………….……..42
2.2.1.4 Approches spectrales…………………………………………..…...44
2.2.2 Les approches statistiques avec recouvrement…………….………..…45
2.2.2.1 Approches basées sur des cliques………………………………..…46
2.2.2.2 Approches basé sur la propagation de labels………………….…....48
2.2.2.3 Approches basées sur des graines………………………….…….....51
2.3 Les approches dynamiques………………………………………………..52
2.3.1 Approches par détections statiques successives……………………….54
2.3.2 Les approches par détections statiques informées successives……….56
2.4 Conclusion…………………………………………………………..……..59
viii
Chapitre 3 : Contribution Et Algorithmes Etudiés
3.1 Introduction………………………………………………………………….61
3.2 Détection communautés avec la méthode VOS Clustering……………….61
3.2.1 Méthode de Louvain…………………………………………………61
3.2.1.1 Avantage……………………………………………………………..61
3.2.1.2 Inconvénient…………………………………………………….…...62
3.2.1.3 Exemple de détection de communautés pour des réseaux sociaux…...62
3.2.2 Vos Clustering…………………………………………………..……..63
3.2.2.1 Avantage……………………………………………………..………63
3.2.2.2 inconvénients………………………………………………..……….64
3.3 Détection les recouvrements avec la méthode de Fuzzy C-means……….…64
3.3.1 Avantages………………………………………………………………..…..65
3.3.2 Inconvénients……………………………………………………………..…65
3.4 Contribution…………………………………………………………………..65
3.4.1 Distance et métriques……………………………………………..………...66
3.4.1.1 Notion de distance………………………………………….………..66
3.4.1.2 Quelques types de distance………………………………….……….66
3.4.1.3 Similarité…………………………………………………….………68
3.5 Conclusion………………………………………………………………..……69
Chapitre 4 : Évaluation et Expérimentation.
4.1 Introduction…………………………………………………………………...71
4.2 Les langages utilisés et les outils d'implémentations………………………..71
4.2.1 Langage Python…………………………………………………………….71
4.2.2 PyCharm……………………………………………………………………71
4.3 Les Benchmarks de Test……………………………………………………...72
ix
4.3.1 Benchmark du Club de Karaté Zachary………………………………….72
4.3.2 Benchmark d’Albert Barabasi Model…………………………………….72
4.4 Format du fichier……………………………………………………………..72
4.5 Interfaces de notre application de détection de communauté…………..…74
4.5.1 Interface d’accueil………………………………………………………….74
4.5.2 Principe de fonctionnement de l’application……………………………..75
4.5.2.1 Détection de communautés partitionnées…………………………...76
4.5.2.2 Détection et analyse de communautés recouvrantes………………...81
4.6 Conclusion……………………………………………………………………..84
Conclusion générale………………………………………………………………85
Bibliographie……………………………………………………………………...86Côte titre : MAI/0295 En ligne : https://drive.google.com/file/d/1h8tFrJ5pOSHjoIpKRj3dNDcit8Ql2XGD/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0295 MAI/0295 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Detection de communautes dans les reseaux dynamiques Type de document : texte imprimé Auteurs : Douadi, Asma, Auteur ; Kamel, Nadjet, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (51 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Détection de communautés
Réseaux dynamiques
Réseaux temporels
Evolution des commnautésIndex. décimale : 004 Informatique Résumé : Résumé
Plusieurs études ont montré que les réseaux modélisant des phénomènes du monde réel sont caractérisés par des propriétés remarquables : ils sont organisés en fonction de la structure de la communauté et cette dernière évolue avec le temps. De nombreux chercheurs ont travaillé sur des méthodes permettant de dévoiler efficacement des sous-structures dans les réseaux, donnant naissance au domaine de la détection de communauté. Les réseaux dynamiques peuvent être utilisés pour modéliser l'évolution d'un système : les noeuds et les arêtes sont mutables et leur présence, ou leur absence, a un impact profond sur la structure de la communauté qui les compose.
Dans le cadre de ce mémoire nous présentons une nouvelle méthode de détection de communautés dans les réseaux dynamiques. Contrairement aux méthodes traditionnelles, qui recalcule toute la décomposition de la communauté après chaque modification du réseau, notre méthode prend en compte l’historique des communautés et met à jour la solution en fonction des modifications du réseau via un processus de propagation de labels locaux, qui affecte généralement une petite partie du réseau. L'efficacité de notre algorithme a été testée sur des réseaux réels, ce qui montre qu'elle peut identifier et suivre avec succès les communautés dynamiques. De plus, il peut détecter des communautés de bonne qualité par rapport à d'autres méthodes.Note de contenu : Sommaire
INTRODUCTION GENERALE ...................................................................................... 1
CHAPITRE 1 : LA DETECTION DE COMMUNAUTES DANS LES RESEAUX DYNAMIQUES
1.1. Introduction ......................................................................................................... 3
1.2. Notions relatives aux graphes ............................................................................. 3
1.3. Centralité d’intermédiarité des liens (edge betweenness) ................................... 6
1.4. Modélisation par les graphes .............................................................................. 6
1.4.1. Réseaux sociaux .......................................................................................... 7
1.4.2. Réseaux d'information ................................................................................. 8
1.4.3. Réseaux biologiques .................................................................................... 8
1.5. Graphe de terrain ................................................................................................ 8
1.6. Réseaux dynamique ............................................................................................ 9
1.7. Définitions d’une communauté ........................................................................... 9
1.8. Généralités sur la détection de communautés ................................................... 12
1.8.1. Partitionnement de graphe ......................................................................... 12
1.8.2. Regroupement hiérarchique ....................................................................... 13
1.8.3. Détection de communautés ........................................................................ 14
1.9. Conclusion ........................................................................................................ 15
CHAPITRE 2 : ETAT DE L'ART
2.1. Introduction ....................................................................................................... 16
2.2. Approches de détection de communautés statiques .......................................... 16
2.3. Approches de détection de communautés dynamiques .................................... 22
2.3.1. Approches par détections statiques successives (Independent Community Detections and Matching) ........................................................................................ 22
2.3.2. Approches par détections statiques informées successives (Informed Iterative Community Detections) ............................................................................. 26
2.3.3. Approches par étude simultanée de toutes les étapes d’évolution (Global Community Detection on All Snapshots) ................... 28
2.3.4. Approches travaillant sur des réseaux temporels (Dynamic Community Detection on Temporal Networks) .................. 30
2.4. Conclusion ........................................................................... 32
CHAPITRE 3 : CONCEPTION ET IMPLEMENTATION
3.1. Introduction ................................................................... 33
3.2. Noeud infecté ..................................................................................................... 33
3.3. Propagation de labels ........................................................................................ 33
3.4. Mise à jour des communautés ........................................................................... 34
3.5. Conclusion ........................................................................................................ 41
CHAPITRE 4 : EXPERIMENTATIONS ET RESULTATS
4.1. Introduction ....................................................................................................... 42
4.2. Mesures de qualité ............................................................................................ 42
4.2.1. La Modularité ............................................................................................ 42
4.2.2. La mesure de l’information mutuelle normalisée (The Normalized Mutual Information measure NMI) ........ 43
4.3. Expérimentations sur réseaux statique .............................................................. 43
4.3.1. Championnat de football d’Angleterre ...................................................... 44
4.3.2. Les députés au Royaume-Uni .................................................................... 44
4.3.3. Cercles sociaux : Facebook ....................................................................... 45
4.4. Expérimentations sur réseau dynamique .......................................................... 47
Systèmes autonomes – Oregon1 .............................................................................. 47
4.5. Conclusion ........................................................................................................ 49
CONCLUSION GENERALE ........................................................................................ 50
BIBLIOGRAPHIE ......................................................................................................... 51
Côte titre : MAI/0254 En ligne : https://drive.google.com/file/d/1iH57LsqZShgSRhNiIyTYtFihLH33wssG/view?usp=shari [...] Format de la ressource électronique : Detection de communautes dans les reseaux dynamiques [texte imprimé] / Douadi, Asma, Auteur ; Kamel, Nadjet, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (51 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Détection de communautés
Réseaux dynamiques
Réseaux temporels
Evolution des commnautésIndex. décimale : 004 Informatique Résumé : Résumé
Plusieurs études ont montré que les réseaux modélisant des phénomènes du monde réel sont caractérisés par des propriétés remarquables : ils sont organisés en fonction de la structure de la communauté et cette dernière évolue avec le temps. De nombreux chercheurs ont travaillé sur des méthodes permettant de dévoiler efficacement des sous-structures dans les réseaux, donnant naissance au domaine de la détection de communauté. Les réseaux dynamiques peuvent être utilisés pour modéliser l'évolution d'un système : les noeuds et les arêtes sont mutables et leur présence, ou leur absence, a un impact profond sur la structure de la communauté qui les compose.
Dans le cadre de ce mémoire nous présentons une nouvelle méthode de détection de communautés dans les réseaux dynamiques. Contrairement aux méthodes traditionnelles, qui recalcule toute la décomposition de la communauté après chaque modification du réseau, notre méthode prend en compte l’historique des communautés et met à jour la solution en fonction des modifications du réseau via un processus de propagation de labels locaux, qui affecte généralement une petite partie du réseau. L'efficacité de notre algorithme a été testée sur des réseaux réels, ce qui montre qu'elle peut identifier et suivre avec succès les communautés dynamiques. De plus, il peut détecter des communautés de bonne qualité par rapport à d'autres méthodes.Note de contenu : Sommaire
INTRODUCTION GENERALE ...................................................................................... 1
CHAPITRE 1 : LA DETECTION DE COMMUNAUTES DANS LES RESEAUX DYNAMIQUES
1.1. Introduction ......................................................................................................... 3
1.2. Notions relatives aux graphes ............................................................................. 3
1.3. Centralité d’intermédiarité des liens (edge betweenness) ................................... 6
1.4. Modélisation par les graphes .............................................................................. 6
1.4.1. Réseaux sociaux .......................................................................................... 7
1.4.2. Réseaux d'information ................................................................................. 8
1.4.3. Réseaux biologiques .................................................................................... 8
1.5. Graphe de terrain ................................................................................................ 8
1.6. Réseaux dynamique ............................................................................................ 9
1.7. Définitions d’une communauté ........................................................................... 9
1.8. Généralités sur la détection de communautés ................................................... 12
1.8.1. Partitionnement de graphe ......................................................................... 12
1.8.2. Regroupement hiérarchique ....................................................................... 13
1.8.3. Détection de communautés ........................................................................ 14
1.9. Conclusion ........................................................................................................ 15
CHAPITRE 2 : ETAT DE L'ART
2.1. Introduction ....................................................................................................... 16
2.2. Approches de détection de communautés statiques .......................................... 16
2.3. Approches de détection de communautés dynamiques .................................... 22
2.3.1. Approches par détections statiques successives (Independent Community Detections and Matching) ........................................................................................ 22
2.3.2. Approches par détections statiques informées successives (Informed Iterative Community Detections) ............................................................................. 26
2.3.3. Approches par étude simultanée de toutes les étapes d’évolution (Global Community Detection on All Snapshots) ................... 28
2.3.4. Approches travaillant sur des réseaux temporels (Dynamic Community Detection on Temporal Networks) .................. 30
2.4. Conclusion ........................................................................... 32
CHAPITRE 3 : CONCEPTION ET IMPLEMENTATION
3.1. Introduction ................................................................... 33
3.2. Noeud infecté ..................................................................................................... 33
3.3. Propagation de labels ........................................................................................ 33
3.4. Mise à jour des communautés ........................................................................... 34
3.5. Conclusion ........................................................................................................ 41
CHAPITRE 4 : EXPERIMENTATIONS ET RESULTATS
4.1. Introduction ....................................................................................................... 42
4.2. Mesures de qualité ............................................................................................ 42
4.2.1. La Modularité ............................................................................................ 42
4.2.2. La mesure de l’information mutuelle normalisée (The Normalized Mutual Information measure NMI) ........ 43
4.3. Expérimentations sur réseaux statique .............................................................. 43
4.3.1. Championnat de football d’Angleterre ...................................................... 44
4.3.2. Les députés au Royaume-Uni .................................................................... 44
4.3.3. Cercles sociaux : Facebook ....................................................................... 45
4.4. Expérimentations sur réseau dynamique .......................................................... 47
Systèmes autonomes – Oregon1 .............................................................................. 47
4.5. Conclusion ........................................................................................................ 49
CONCLUSION GENERALE ........................................................................................ 50
BIBLIOGRAPHIE ......................................................................................................... 51
Côte titre : MAI/0254 En ligne : https://drive.google.com/file/d/1iH57LsqZShgSRhNiIyTYtFihLH33wssG/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0254 MAI/0254 Mémoire Bibliothéque des sciences Français Disponible
DisponibleDétection de l'Intensité des Emotions dans les Tweets / Dahel, Sami
Titre : Détection de l'Intensité des Emotions dans les Tweets Type de document : texte imprimé Auteurs : Dahel, Sami, Auteur ; Lakhfif ,Abdelaziz, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (38 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Algorithmes d’apprentissage
Classification automatique
Fouille d'opinionIndex. décimale : 004 Informatique Résumé :
Notre mémoire sur la fouille d’opinion et l'analyse de sentiment. Il est l'un des domaines de recherche les plus actifs actuellement, il a pour but d'analyser les sentiments des gens, des attitudes, des émotions sur twitter. La classification est une activité importante dans le domaine de fouille d’opinion pour cela, je représente un approches connues pour effectuer une classification automatique de textes d’opinion avec quatre algorithmes knn, regression linear, naive bayes et les arbres de décision. Le but de ce travail est de connaitre les sources informationnelles en repérant d’abord les phrases porteuses d’opinion, de détecter la subjectivité puis d’attribuer une polarité (positive, négative ou neutre)à l’opinion,et comparer les résultats d’évaluation dans différents algorithmes d’apprentissage.Note de contenu :
Sommaire
Résumé ....................................................................................................................................... i
Liste des tableaux : ................................................................................................................. vii
Introduction général : ............................................................................................................. 1
CahpitreI
1.1 Analyse de sentiment : ....................................................................................................... 3
1.2 Niveaux d'étude : ................................................................................................................ 3
1.3 Composantes de sentiment : ............................................................................................. 4
1.4 Technique d'analyse des sentiments: ................................................................................ 4
1.4.1 Apprentissage automatique : ................................................................................ 4
1.4.2 Le méthode lexique : ............................................................................................. 6
1.4.3 Méthodes hybrides : ............................................................................................
1.5 Analyse de sentiment et le commerce : ............................................................................
1.6 Analyse de sentiment et politique : ................................................................................... 8
1.7 Analyse de sentiment et publicité en ligne : .....................................................................
ChapitreII
2.1 Définition : .......................................................................................................................
2.2 Le développement des réseaux sociaux : .......................................................................... 9
2.3 L'impact des réseaux sociaux dans notre vie: ................................................................ 10
2.3.1 Impact des médias sociaux sur l'éducation .......................................................... 10
2.3.2 Impact sur le business : .......................................................................................
2.3.3 Impact des médias sociaux sur la société: ........................................................... 11
2.3.4. Impact des médias sociaux sur les jeunes : ......................................................... 12
2.4 Les avantages et les inconvénients de réseaux sociaux : .............................................. 12
2.4.1 Avantages: .......................................................................................................... 12
2.4.2 Inconvénients: .................................................................................................... 13
2.5 Twitter : ............................................................................................................................. 13
2.5.1 Présentation de twitter : ..................................................................................... 13
2.5.2 Eléments de twitter: ........................................................................................... 14
2.5.3 L'impact de twitter dans notre vie : .................................................................... 15
2.5.3.1. Outils de communication ............................................................................. 15
2.5.3.2. Outils d'information .................................................................................... 15
iv
2.5.3.3. Outils de rapprochement ............................................................................. 15
2.5.3.4. Des outils de partage : ................................................................................. 15
2.5.3.5. Des outils valorisants : ................................................................................. 15
2.5.3.6. Des outils relationnels : ............................................................................... 16
2.5.3.7. Un remède à la solitude : ............................................................................. 16
2.5.4. Les inconvénients de Twitter: ............................................................................. 16
2.5.4.1. L'intimidation : ............................................................................................ 16
2.5.4.2. La vengeance : ................................................................................................ 16
2.5.4.3. La vie professionnelle : .................................................................................... 16
ChapitreIII
3.1 Data mining : ................................................................................................................... 17
3.2 description data mining : ............................................................................................... 17
3.3 Noms alternatifs et leurs histoires intérieures: .............................................................. 17
3.4 types de données applique le data mining ...................................................................... 18
3.5 Fouille de Texte (Text Mining) : ..................................................................................... 18
3.5.1. le text mining : ................................................................................................... 18
3.5.2 L’utilité du text mining : ...................................................................................... 18
3.6 Modèle de processus DM : ............................................................................................... 19
3.7 Techniques du Data mining: ........................................................................................... 20
3.8 Fouille de texte et fouille de données : ............................................................................ 21
ChapitreIV
4.1 Twitter api : ...................................................................................................................... 22
4.2 Domaines d'application de l'API : .................................................................................. 22
4.3 Création d'une application twitter : ............................................................................... 22
4.4 Environnement logiciel : .................................................................................................. 25
4.4.1 Le Jupyter : ......................................................................................................... 25
4.5 Langage de programmation: ........................................................................................... 26
4.5.1 Python : .............................................................................................................. 26
4.5.2 Bibliothèques : ................................................................................................... 26
4.6 Connexion python avec twitter : .................................................................................... 27
4.7 analyse les commentaires : .............................................................................................. 27
4.8 Présentation des donner : ................................................................................................ 28
4.9 Pré traitement : ................................................................................................................. 28
4.10 Représentation : .............................................................................................................. 30
4.11 Expérimentation : ........................................................................................................... 31
4.12 Résultats : ........................................................................................................................ 32
4.13. Discutions résultat : ....................................................................................................... 36
Conclusion général : ............................................................................................................... 38
BibliographieCôte titre : MAI/0219 Détection de l'Intensité des Emotions dans les Tweets [texte imprimé] / Dahel, Sami, Auteur ; Lakhfif ,Abdelaziz, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (38 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Algorithmes d’apprentissage
Classification automatique
Fouille d'opinionIndex. décimale : 004 Informatique Résumé :
Notre mémoire sur la fouille d’opinion et l'analyse de sentiment. Il est l'un des domaines de recherche les plus actifs actuellement, il a pour but d'analyser les sentiments des gens, des attitudes, des émotions sur twitter. La classification est une activité importante dans le domaine de fouille d’opinion pour cela, je représente un approches connues pour effectuer une classification automatique de textes d’opinion avec quatre algorithmes knn, regression linear, naive bayes et les arbres de décision. Le but de ce travail est de connaitre les sources informationnelles en repérant d’abord les phrases porteuses d’opinion, de détecter la subjectivité puis d’attribuer une polarité (positive, négative ou neutre)à l’opinion,et comparer les résultats d’évaluation dans différents algorithmes d’apprentissage.Note de contenu :
Sommaire
Résumé ....................................................................................................................................... i
Liste des tableaux : ................................................................................................................. vii
Introduction général : ............................................................................................................. 1
CahpitreI
1.1 Analyse de sentiment : ....................................................................................................... 3
1.2 Niveaux d'étude : ................................................................................................................ 3
1.3 Composantes de sentiment : ............................................................................................. 4
1.4 Technique d'analyse des sentiments: ................................................................................ 4
1.4.1 Apprentissage automatique : ................................................................................ 4
1.4.2 Le méthode lexique : ............................................................................................. 6
1.4.3 Méthodes hybrides : ............................................................................................
1.5 Analyse de sentiment et le commerce : ............................................................................
1.6 Analyse de sentiment et politique : ................................................................................... 8
1.7 Analyse de sentiment et publicité en ligne : .....................................................................
ChapitreII
2.1 Définition : .......................................................................................................................
2.2 Le développement des réseaux sociaux : .......................................................................... 9
2.3 L'impact des réseaux sociaux dans notre vie: ................................................................ 10
2.3.1 Impact des médias sociaux sur l'éducation .......................................................... 10
2.3.2 Impact sur le business : .......................................................................................
2.3.3 Impact des médias sociaux sur la société: ........................................................... 11
2.3.4. Impact des médias sociaux sur les jeunes : ......................................................... 12
2.4 Les avantages et les inconvénients de réseaux sociaux : .............................................. 12
2.4.1 Avantages: .......................................................................................................... 12
2.4.2 Inconvénients: .................................................................................................... 13
2.5 Twitter : ............................................................................................................................. 13
2.5.1 Présentation de twitter : ..................................................................................... 13
2.5.2 Eléments de twitter: ........................................................................................... 14
2.5.3 L'impact de twitter dans notre vie : .................................................................... 15
2.5.3.1. Outils de communication ............................................................................. 15
2.5.3.2. Outils d'information .................................................................................... 15
iv
2.5.3.3. Outils de rapprochement ............................................................................. 15
2.5.3.4. Des outils de partage : ................................................................................. 15
2.5.3.5. Des outils valorisants : ................................................................................. 15
2.5.3.6. Des outils relationnels : ............................................................................... 16
2.5.3.7. Un remède à la solitude : ............................................................................. 16
2.5.4. Les inconvénients de Twitter: ............................................................................. 16
2.5.4.1. L'intimidation : ............................................................................................ 16
2.5.4.2. La vengeance : ................................................................................................ 16
2.5.4.3. La vie professionnelle : .................................................................................... 16
ChapitreIII
3.1 Data mining : ................................................................................................................... 17
3.2 description data mining : ............................................................................................... 17
3.3 Noms alternatifs et leurs histoires intérieures: .............................................................. 17
3.4 types de données applique le data mining ...................................................................... 18
3.5 Fouille de Texte (Text Mining) : ..................................................................................... 18
3.5.1. le text mining : ................................................................................................... 18
3.5.2 L’utilité du text mining : ...................................................................................... 18
3.6 Modèle de processus DM : ............................................................................................... 19
3.7 Techniques du Data mining: ........................................................................................... 20
3.8 Fouille de texte et fouille de données : ............................................................................ 21
ChapitreIV
4.1 Twitter api : ...................................................................................................................... 22
4.2 Domaines d'application de l'API : .................................................................................. 22
4.3 Création d'une application twitter : ............................................................................... 22
4.4 Environnement logiciel : .................................................................................................. 25
4.4.1 Le Jupyter : ......................................................................................................... 25
4.5 Langage de programmation: ........................................................................................... 26
4.5.1 Python : .............................................................................................................. 26
4.5.2 Bibliothèques : ................................................................................................... 26
4.6 Connexion python avec twitter : .................................................................................... 27
4.7 analyse les commentaires : .............................................................................................. 27
4.8 Présentation des donner : ................................................................................................ 28
4.9 Pré traitement : ................................................................................................................. 28
4.10 Représentation : .............................................................................................................. 30
4.11 Expérimentation : ........................................................................................................... 31
4.12 Résultats : ........................................................................................................................ 32
4.13. Discutions résultat : ....................................................................................................... 36
Conclusion général : ............................................................................................................... 38
BibliographieCôte titre : MAI/0219 Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkDétermination du coefficient effectif de recombinaison de l’ionosphère après une éruption solaire. / Roumaissa Kiche
PermalinkDétermination des distributions spatiales et énergétiques des neutrons autour d’un réacteur nucléaire / Layachi Boukerdja
PermalinkDétermination des éléments essentiels dans les feuilles d’armoise par la technique K0-NAA / Amina Rahal
PermalinkDétermination expérimentale de la SSD effective et des paramètres des faisceaux d’électrons 6, 9, 12, 16, 20 MeV / Amrane, Ismahene
PermalinkDétermination d'un facteur d'intérêt d'un véhicule dans l'internet des véhicules / Zier,abdelhak
PermalinkDétermination d’une formule empirique pour les sections efficaces des réactions (n,p)à 14.5 MeV / Soumia Belguet
PermalinkDétermination des paramètres physiques d’un réacteur de recherche par un calcul probabiliste (MCNP) / Boukhalfa,Siham
PermalinkDétermination de la radioactivité naturelle dans le sel : Comparaison entre plusieurs sels naturels et traités / Khaoula Saou
PermalinkDétermination du taux de potassium dans différents types d’engrais NPK par deux méthodes / Mounkoro, philippe
PermalinkPermalinkDeux nouvelles méthdes du gradient cojugué de type dai-liao pour l'optimisation sans contraintes / Djoudi ,Wissem
PermalinkDevelopment of new ionic inorganic organic hybrid materials based on modified molecular structures and inorganic salts / Oualid Chinoune
Permalink