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
Complexité lexicale des textes Arabes par les techniques d’apprentissage automatique / Chenni,Ghozlene
Titre : Complexité lexicale des textes Arabes par les techniques d’apprentissage automatique Type de document : texte imprimé Auteurs : Chenni,Ghozlene, Auteur ; Sadik Bessou, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Traitement du langage naturel
Classification du texte arabe
complexité lexicale
Arabe
Extraction de caractéristiques
Apprentissage automatiqueIndex. décimale : 004 Informatique Résumé : La langue arabe est l’une des langues les plus anciennes et les plus complexes du
monde, mais elle existe encore jusqu’à présent. En raison de la complexité de cette
langue, elle présente des défis pour de nombreuses applications de traitement en
langage naturel.
Dans ce mémoire, nous présentons les détails de la collecte et de la construction
d’un grand ensemble de données "corpus" de textes arabes. Les techniques
utilisées pour le prétraitement des données collectées sont expliquées. Nous
présentons nos quatre classes: ancienne, islamique, récente et enfantine.
Différents algorithmes d’apprentissage automatique ont été utilisés pour classer
les textes: Bayes naïves multinomiales, Bernoulli Naive Bayes, Régression logistique,
Support Vector Machine, et Random Forest. Et un modèle N-gram a été
proposé où les documents sont classés sur la base de: everygrams, unigrammes,
bigrams, unigrammes et bigrams ensemble.
Les meilleurs résultats de la précision que nous avons obtenue en utilisant
Countvectorizer était 86,47% avec le classificateur Bayes Naive Multinomial, et
87,2% en utilisant Tfidfvectorizer avec le classificateur Support Vector Machine
en utilisant everygrams .Note de contenu : Sommaire
Abstract ii
Acknowledgements v
1 Introduction 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Thesis organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 Natural Language Processing 3
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Natural Language Processing (NLP) . . . . . . . . . . . . . . . . . . 3
2.3 NLP components . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.4 Levels of NLP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4.1 Phonology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4.2 Morphology . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4.3 Lexical . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4.4 Syntax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4.5 Semantics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4.6 Pragmatics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4.7 Discourse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.5 Natural Language Processing Applications . . . . . . . . . . . . . . 9
2.5.1 Information Retrieval . . . . . . . . . . . . . . . . . . . . . . 9
2.5.2 Speech Recognition (SR) . . . . . . . . . . . . . . . . . . . . . 10
2.5.3 Information Extraction (IE) . . . . . . . . . . . . . . . . . . . 10
vii
2.5.4 Spam Filtering . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.5 Question-Answering . . . . . . . . . . . . . . . . . . . . . . 12
2.5.6 Summarization . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5.7 Machine Translation . . . . . . . . . . . . . . . . . . . . . . 13
2.5.8 Dialogue Systems . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5.9 Text Categorization . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5.10 Medicine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Machine Learning 16
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.1 Alan Turing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.2 Arthur Samuel . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.3 Tom Mitchell . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.4 Sebastian Raschka . . . . . . . . . . . . . . . . . . . . . . . . 18
3.4 Machine Learning Process . . . . . . . . . . . . . . . . . . . . . . . . 18
3.5 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . . 19
3.5.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . 20
3.5.1.1 Classification . . . . . . . . . . . . . . . . . . . . . . 20
3.5.1.2 Regression . . . . . . . . . . . . . . . . . . . . . . . 20
3.5.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . 21
3.5.2.1 Clustering . . . . . . . . . . . . . . . . . . . . . . . 21
3.5.2.2 Dimensionality Reduction . . . . . . . . . . . . . . 22
3.5.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . 22
3.6 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . 23
3.6.1 Naive Bayes Classifiers . . . . . . . . . . . . . . . . . . . . . 23
3.6.1.1 Multinomial Naive Bayes . . . . . . . . . . . . . . . 24
viii
3.6.1.2 Bernoulli Naive Bayes . . . . . . . . . . . . . . . . . 25
3.6.2 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.6.2.1 Decision Tree Representation . . . . . . . . . . . . . 25
3.6.3 Random Forests . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.6.3.1 The General Idea . . . . . . . . . . . . . . . . . . . . 27
3.6.4 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6.5 Support Vector Machine . . . . . . . . . . . . . . . . . . . . . 28
3.6.5.1 Basic concept . . . . . . . . . . . . . . . . . . . . . . 29
3.6.5.2 Linear Support Vector Machines . . . . . . . . . . . 30
3.6.5.3 The Non-Separable Case . . . . . . . . . . . . . . . 31
3.6.6 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . 33
3.6.6.1 Basics Of Artificial Neural Networks . . . . . . . . 33
3.6.6.2 Neural Networks Types . . . . . . . . . . . . . . . . 34
3.6.6.3 Activation Functions . . . . . . . . . . . . . . . . . 35
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4 Arabic Lexical Complexity 38
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2 The Arabic Language . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Characteristics of Arabic Language . . . . . . . . . . . . . . . . . . . 39
4.4 Arabic Text classification . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.5 Arabic complexity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5 Datasets And Implementation Frameworks 43
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2 Proposed System implementation . . . . . . . . . . . . . . . . . . . . 43
5.2.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.1.1 Dataset statistics . . . . . . . . . . . . . . . . . . . . 46
5.2.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . 47
ix
5.2.3 Training and test sets . . . . . . . . . . . . . . . . . . . . . . . 50
5.2.4 Features Extraction . . . . . . . . . . . . . . . . . . . . . . . . 51
5.2.4.1 CountVectorizer . . . . . . . . . . . . . . . . . . . . 52
5.2.4.2 TfidfVectorizer . . . . . . . . . . . . . . . . . . . . . 53
5.2.4.3 N-grams . . . . . . . . . . . . . . . . . . . . . . . . 54
5.2.5 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.3 Implementation Frameworks . . . . . . . . . . . . . . . . . . . . . . 56
5.3.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.3.2 Jupyter Notebook . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.3.3 TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.3.4 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.3.5 NLTK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.3.6 Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.3.7 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.3.8 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.3.9 Seaborn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6 Results And Discussion 60
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2 Evaluation metrics of performance . . . . . . . . . . . . . . . . . . . 60
6.2.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2.2 Precision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.2.3 Recall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.2.4 F-score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.3 Results and evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.3.1 Results using CountVectorizer . . . . . . . . . . . . . . . . . 63
6.3.1.1 Using everygrams . . . . . . . . . . . . . . . . . . . 63
6.3.1.2 Using Unigrams . . . . . . . . . . . . . . . . . . . . 64
x
6.3.1.3 Using Bigrams . . . . . . . . . . . . . . . . . . . . . 65
6.3.1.4 Using Unigrams and Bigrams . . . . . . . . . . . . 66
6.3.2 summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.3 Results using TfidfVectorizer . . . . . . . . . . . . . . . . . . 68
6.3.3.1 Using everygrams . . . . . . . . . . . . . . . . . . . 68
6.3.3.2 Using Unigrams . . . . . . . . . . . . . . . . . . . . 69
6.3.3.3 Using Bigrams . . . . . . . . . . . . . . . . . . . . . 70
6.3.3.4 Using Unigrams and Bigrams . . . . . . . . . . . . 71
6.3.4 summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.3.5 Testing the classifier . . . . . . . . . . . . . . . . . . . . . . . 73
6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
7 Conclusion 75
7.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
7.2 Future Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
BibliographyCôte titre : MAI/0298 En ligne : https://drive.google.com/file/d/1ceh0in6uDQMW_m9_7t3zxipgLKgjvYcx/view?usp=shari [...] Format de la ressource électronique : Complexité lexicale des textes Arabes par les techniques d’apprentissage automatique [texte imprimé] / Chenni,Ghozlene, Auteur ; Sadik Bessou, Directeur de thèse . - [S.l.] : Setif:UFA, 2019.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Traitement du langage naturel
Classification du texte arabe
complexité lexicale
Arabe
Extraction de caractéristiques
Apprentissage automatiqueIndex. décimale : 004 Informatique Résumé : La langue arabe est l’une des langues les plus anciennes et les plus complexes du
monde, mais elle existe encore jusqu’à présent. En raison de la complexité de cette
langue, elle présente des défis pour de nombreuses applications de traitement en
langage naturel.
Dans ce mémoire, nous présentons les détails de la collecte et de la construction
d’un grand ensemble de données "corpus" de textes arabes. Les techniques
utilisées pour le prétraitement des données collectées sont expliquées. Nous
présentons nos quatre classes: ancienne, islamique, récente et enfantine.
Différents algorithmes d’apprentissage automatique ont été utilisés pour classer
les textes: Bayes naïves multinomiales, Bernoulli Naive Bayes, Régression logistique,
Support Vector Machine, et Random Forest. Et un modèle N-gram a été
proposé où les documents sont classés sur la base de: everygrams, unigrammes,
bigrams, unigrammes et bigrams ensemble.
Les meilleurs résultats de la précision que nous avons obtenue en utilisant
Countvectorizer était 86,47% avec le classificateur Bayes Naive Multinomial, et
87,2% en utilisant Tfidfvectorizer avec le classificateur Support Vector Machine
en utilisant everygrams .Note de contenu : Sommaire
Abstract ii
Acknowledgements v
1 Introduction 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Thesis organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 Natural Language Processing 3
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Natural Language Processing (NLP) . . . . . . . . . . . . . . . . . . 3
2.3 NLP components . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.4 Levels of NLP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4.1 Phonology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4.2 Morphology . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4.3 Lexical . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4.4 Syntax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4.5 Semantics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4.6 Pragmatics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4.7 Discourse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.5 Natural Language Processing Applications . . . . . . . . . . . . . . 9
2.5.1 Information Retrieval . . . . . . . . . . . . . . . . . . . . . . 9
2.5.2 Speech Recognition (SR) . . . . . . . . . . . . . . . . . . . . . 10
2.5.3 Information Extraction (IE) . . . . . . . . . . . . . . . . . . . 10
vii
2.5.4 Spam Filtering . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.5 Question-Answering . . . . . . . . . . . . . . . . . . . . . . 12
2.5.6 Summarization . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5.7 Machine Translation . . . . . . . . . . . . . . . . . . . . . . 13
2.5.8 Dialogue Systems . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5.9 Text Categorization . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5.10 Medicine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Machine Learning 16
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.1 Alan Turing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.2 Arthur Samuel . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.3 Tom Mitchell . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.4 Sebastian Raschka . . . . . . . . . . . . . . . . . . . . . . . . 18
3.4 Machine Learning Process . . . . . . . . . . . . . . . . . . . . . . . . 18
3.5 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . . 19
3.5.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . 20
3.5.1.1 Classification . . . . . . . . . . . . . . . . . . . . . . 20
3.5.1.2 Regression . . . . . . . . . . . . . . . . . . . . . . . 20
3.5.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . 21
3.5.2.1 Clustering . . . . . . . . . . . . . . . . . . . . . . . 21
3.5.2.2 Dimensionality Reduction . . . . . . . . . . . . . . 22
3.5.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . 22
3.6 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . 23
3.6.1 Naive Bayes Classifiers . . . . . . . . . . . . . . . . . . . . . 23
3.6.1.1 Multinomial Naive Bayes . . . . . . . . . . . . . . . 24
viii
3.6.1.2 Bernoulli Naive Bayes . . . . . . . . . . . . . . . . . 25
3.6.2 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.6.2.1 Decision Tree Representation . . . . . . . . . . . . . 25
3.6.3 Random Forests . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.6.3.1 The General Idea . . . . . . . . . . . . . . . . . . . . 27
3.6.4 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6.5 Support Vector Machine . . . . . . . . . . . . . . . . . . . . . 28
3.6.5.1 Basic concept . . . . . . . . . . . . . . . . . . . . . . 29
3.6.5.2 Linear Support Vector Machines . . . . . . . . . . . 30
3.6.5.3 The Non-Separable Case . . . . . . . . . . . . . . . 31
3.6.6 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . 33
3.6.6.1 Basics Of Artificial Neural Networks . . . . . . . . 33
3.6.6.2 Neural Networks Types . . . . . . . . . . . . . . . . 34
3.6.6.3 Activation Functions . . . . . . . . . . . . . . . . . 35
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4 Arabic Lexical Complexity 38
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2 The Arabic Language . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Characteristics of Arabic Language . . . . . . . . . . . . . . . . . . . 39
4.4 Arabic Text classification . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.5 Arabic complexity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5 Datasets And Implementation Frameworks 43
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2 Proposed System implementation . . . . . . . . . . . . . . . . . . . . 43
5.2.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.1.1 Dataset statistics . . . . . . . . . . . . . . . . . . . . 46
5.2.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . 47
ix
5.2.3 Training and test sets . . . . . . . . . . . . . . . . . . . . . . . 50
5.2.4 Features Extraction . . . . . . . . . . . . . . . . . . . . . . . . 51
5.2.4.1 CountVectorizer . . . . . . . . . . . . . . . . . . . . 52
5.2.4.2 TfidfVectorizer . . . . . . . . . . . . . . . . . . . . . 53
5.2.4.3 N-grams . . . . . . . . . . . . . . . . . . . . . . . . 54
5.2.5 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.3 Implementation Frameworks . . . . . . . . . . . . . . . . . . . . . . 56
5.3.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.3.2 Jupyter Notebook . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.3.3 TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.3.4 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.3.5 NLTK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.3.6 Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.3.7 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.3.8 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.3.9 Seaborn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6 Results And Discussion 60
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2 Evaluation metrics of performance . . . . . . . . . . . . . . . . . . . 60
6.2.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2.2 Precision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.2.3 Recall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.2.4 F-score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.3 Results and evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.3.1 Results using CountVectorizer . . . . . . . . . . . . . . . . . 63
6.3.1.1 Using everygrams . . . . . . . . . . . . . . . . . . . 63
6.3.1.2 Using Unigrams . . . . . . . . . . . . . . . . . . . . 64
x
6.3.1.3 Using Bigrams . . . . . . . . . . . . . . . . . . . . . 65
6.3.1.4 Using Unigrams and Bigrams . . . . . . . . . . . . 66
6.3.2 summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.3 Results using TfidfVectorizer . . . . . . . . . . . . . . . . . . 68
6.3.3.1 Using everygrams . . . . . . . . . . . . . . . . . . . 68
6.3.3.2 Using Unigrams . . . . . . . . . . . . . . . . . . . . 69
6.3.3.3 Using Bigrams . . . . . . . . . . . . . . . . . . . . . 70
6.3.3.4 Using Unigrams and Bigrams . . . . . . . . . . . . 71
6.3.4 summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.3.5 Testing the classifier . . . . . . . . . . . . . . . . . . . . . . . 73
6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
7 Conclusion 75
7.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
7.2 Future Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
BibliographyCôte titre : MAI/0298 En ligne : https://drive.google.com/file/d/1ceh0in6uDQMW_m9_7t3zxipgLKgjvYcx/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0298 MAI/0298 Mémoire Bibliothéque des sciences Français Disponible
DisponibleComplexité de la méthode du gradient avec recherche linéaire pour une fonction fortement convexe / Zebar,Ilhem
Titre : Complexité de la méthode du gradient avec recherche linéaire pour une fonction fortement convexe Type de document : texte imprimé Auteurs : Zebar,Ilhem, Auteur ; Djamel Benterki, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (52 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Mathématique Mots-clés : Optimisation sans contraintes
Méthode de gradient
linéaire de WolfeIndex. décimale : 510 Mathématique Résumé : Dans ce travail, nous sommes intéressés à l’étude numérique
d’une méthode modifiée du gradient classique, dite gradient noisy proposée
par E. De Klerk et al. Cette méthode offre une nouvelle direction approximant
le gradient négatif de la fonction objective à minimiser. Nous
avons effectué des tests numériques comparatifs entre la méthode de gradient
classique et celle de gradient noisy moyennant une recherche linéaire
de Wolfe. Les résultats numériques effectués confirment les propos théoriquesNote de contenu : Sommaire
Introduction 3
1 Rappel sur lÂ’analyse convexe et lÂ’optimisation sans contraintes 5
1.1 Ensemble convexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Fonctions convexes, strictement convexes, fortement convexes . . . 6
1.1.2 Caractérisation de la convexité . . . . . . . . . . . . . . . . . . . 7
1.1.3 Caractérisation de la convexité stricte . . . . . . . . . . . . . . . . 8
1.1.4 Caractérisation de la convexité forte . . . . . . . . . . . . . . . . . 8
1.2 Optimisation sans contraintes . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1 Conditions d’optimalité des problèmes d’optimisation sans contraintes 11
2 Méthodes de résolution des problèmes d’optimisation sans contraintes 13
2.1 Les méthodes de descente . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1 La méthode du Gradient . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.2 La méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Recherche linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.1 Recherches linéaires exactes . . . . . . . . . . . . . . . . . . . . . 27
2.2.2 Recherches linéaires inexactes . . . . . . . . . . . . . . . . . . . . 28
3 Méthode du gradient avec recherche linéaire pour une fonction lisse
fortement convexe 40
1
3.1 Algorithme du gradient avec recherche linéaire de Wolfe pour une fonction
lisse fortement convexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.1.1 Algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1.2 Convergence de la méthode de Gradient pour une fonction L-lisse,
-fortement convexe . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2 Méthode du gradient noisy . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2.1 Méthode de gradient noisy avec recherche linéaire . . . . . . . . . 43
3.2.2 Algorithme de la méthode du gradient noisy avec recherche linéaire 44
3.2.3 Convergence de la méthode du gradient noisy avec recherche linéaire 44
3.3 Tests Numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3.1 Exemple à taille variable . . . . . . . . . . . . . . . . . . . . . . . 45
Conclusion 49
Côte titre : MAM/0369 En ligne : https://drive.google.com/file/d/1dawMbrpMPaVVS1HA7kFW-aOzatPgStpI/view?usp=shari [...] Format de la ressource électronique : Complexité de la méthode du gradient avec recherche linéaire pour une fonction fortement convexe [texte imprimé] / Zebar,Ilhem, Auteur ; Djamel Benterki, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (52 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Mathématique Mots-clés : Optimisation sans contraintes
Méthode de gradient
linéaire de WolfeIndex. décimale : 510 Mathématique Résumé : Dans ce travail, nous sommes intéressés à l’étude numérique
d’une méthode modifiée du gradient classique, dite gradient noisy proposée
par E. De Klerk et al. Cette méthode offre une nouvelle direction approximant
le gradient négatif de la fonction objective à minimiser. Nous
avons effectué des tests numériques comparatifs entre la méthode de gradient
classique et celle de gradient noisy moyennant une recherche linéaire
de Wolfe. Les résultats numériques effectués confirment les propos théoriquesNote de contenu : Sommaire
Introduction 3
1 Rappel sur lÂ’analyse convexe et lÂ’optimisation sans contraintes 5
1.1 Ensemble convexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Fonctions convexes, strictement convexes, fortement convexes . . . 6
1.1.2 Caractérisation de la convexité . . . . . . . . . . . . . . . . . . . 7
1.1.3 Caractérisation de la convexité stricte . . . . . . . . . . . . . . . . 8
1.1.4 Caractérisation de la convexité forte . . . . . . . . . . . . . . . . . 8
1.2 Optimisation sans contraintes . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1 Conditions d’optimalité des problèmes d’optimisation sans contraintes 11
2 Méthodes de résolution des problèmes d’optimisation sans contraintes 13
2.1 Les méthodes de descente . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1 La méthode du Gradient . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.2 La méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Recherche linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.1 Recherches linéaires exactes . . . . . . . . . . . . . . . . . . . . . 27
2.2.2 Recherches linéaires inexactes . . . . . . . . . . . . . . . . . . . . 28
3 Méthode du gradient avec recherche linéaire pour une fonction lisse
fortement convexe 40
1
3.1 Algorithme du gradient avec recherche linéaire de Wolfe pour une fonction
lisse fortement convexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.1.1 Algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1.2 Convergence de la méthode de Gradient pour une fonction L-lisse,
-fortement convexe . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2 Méthode du gradient noisy . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2.1 Méthode de gradient noisy avec recherche linéaire . . . . . . . . . 43
3.2.2 Algorithme de la méthode du gradient noisy avec recherche linéaire 44
3.2.3 Convergence de la méthode du gradient noisy avec recherche linéaire 44
3.3 Tests Numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3.1 Exemple à taille variable . . . . . . . . . . . . . . . . . . . . . . . 45
Conclusion 49
Côte titre : MAM/0369 En ligne : https://drive.google.com/file/d/1dawMbrpMPaVVS1HA7kFW-aOzatPgStpI/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAM/0369 MAM/0369 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Component models as enablers for real time systems (RTS) Type de document : texte imprimé Auteurs : Mansouri,Hayame, Auteur ; Abdallah Khababa, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (50 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Systèmes en temps réel
Composants
Modèles de composants
Délais
délais durs et souplesIndex. décimale : 004 - Informatique Résumé :
Les modèles de composants sont basés sur le concept de composants et constituent
le meilleur moyen de réaliser des systèmes en temps réel en raison de leur
nature modulaire et de la séparation entre le code et les interfaces. Un système en
temps réel signie que la réponse doit être garantie dans une contrainte de temps
spéciée ou que le système doit respecter le délai spécié. Cette thèse présente une
étape vers la réalisation d'une application de streaming vidéo basée sur des composants
et respectant les exigences de synchronisation des systèmes temps réel. La
mise en ÷uvre de c'est à l'aide d'un rebase en temps réel qui contientun base de
données en temps réel, la vidéo sera diusée à tous les utilisateurs instantanément.
Le système qui répond à un délai spécique est également présent.Côte titre : MAI/0378 En ligne : https://drive.google.com/file/d/1Qiets6WfRkuKRnEKTRT07_vtj_JRWsQ5/view?usp=shari [...] Format de la ressource électronique : Component models as enablers for real time systems (RTS) [texte imprimé] / Mansouri,Hayame, Auteur ; Abdallah Khababa, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (50 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Systèmes en temps réel
Composants
Modèles de composants
Délais
délais durs et souplesIndex. décimale : 004 - Informatique Résumé :
Les modèles de composants sont basés sur le concept de composants et constituent
le meilleur moyen de réaliser des systèmes en temps réel en raison de leur
nature modulaire et de la séparation entre le code et les interfaces. Un système en
temps réel signie que la réponse doit être garantie dans une contrainte de temps
spéciée ou que le système doit respecter le délai spécié. Cette thèse présente une
étape vers la réalisation d'une application de streaming vidéo basée sur des composants
et respectant les exigences de synchronisation des systèmes temps réel. La
mise en ÷uvre de c'est à l'aide d'un rebase en temps réel qui contientun base de
données en temps réel, la vidéo sera diusée à tous les utilisateurs instantanément.
Le système qui répond à un délai spécique est également présent.Côte titre : MAI/0378 En ligne : https://drive.google.com/file/d/1Qiets6WfRkuKRnEKTRT07_vtj_JRWsQ5/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0378 MAI/0378 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleComportement asymptotique de différents problèmes de contact avec frottement en film mince dans le cas isotherme et non-isotherme / Abdelkader Saadallah
Titre : Comportement asymptotique de différents problèmes de contact avec frottement en film mince dans le cas isotherme et non-isotherme Type de document : texte imprimé Auteurs : Abdelkader Saadallah, Auteur ; Hamid Benseridi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2016 Importance : 1 vol (92 f.) Format : 29 cm Catégories : Thèses & Mémoires:Mathématique Mots-clés : Asymptotique
Ecoulement
Elasticite
Non-isotherme
TreskaIndex. décimale : 510 Mathématique Note de contenu : TABLE DES MATIÈRES
Remerciement iii
Dédicaces iv
Introduction v
1 Préliminaires 1
1.1 Equations générales de la mécanique des milieux continus . . . 1
1.2 Conditions aux limites de contact avec frottement . . . . . . . . 2
1.3 Propriétés de semi-continuité inférieure . . . . . . . . . . . . . . 4
1.4 Lemme de Gronwall . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Lemme de Minty . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6 Inégalités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.7 Intégrale curviligne . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Analyse asymptotique d’un problème dynamique d’élasticité linéaire non isotherme avec frottement de Tresca 8
2.1 Introduction et position du problème . . . . . . . . . . . . . . . . 10
2.2 Formulation variationnelle du problème (2.1.1) − (2.1.10) . . . . . 14
2.3 Analyse asymptotique du problème (2.1.1) − (2.1.10) . . . . . . . . 18
2.3.1 Changement du domaine et problème variationnel . . . . 18
2.3.2 Estimations à priori . . . . . . . . . . . . . . . . . . . . . . 20
2.3.3 Résultats de convergence . . . . . . . . . . . . . . . . . . . 29
2.3.4 Problème limite et l’équation de Reynolds . . . . . . . . . 30
2.3.5 Unicité des solutions du problème limite . . . . . . . . . . 33
3 Comportement Asymptotique d’un fluide de Bingham non isotherme dans un domaine mince avec frottement de Tresca 40
3.1 Introduction et position du problème . . . . . . . . . . . . . . . . 42
3.2 Formulation variationnelle du problème (3.1.1) − (3.1.10) . . . . . 45
3.3 Lemmes utiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4 Analyse asymptotique du problème (3.1.1) − (3.1.10) . . . . . . . . 48
3.4.1 Estimations sur la vitesse et la pression . . . . . . . . . . 49
3.4.2 Estimations sur la température . . . . . . . . . . . . . . . 53
3.4.3 Résultats de convergence et problème limite . . . . . . . . 56
4 Comportement Asymptotique d’un fluide de Herschel-Bulkley dans
un domaine mince avec frottement de Tresca 69
4.1 Introduction et Position du problème . . . . . . . . . . . . . . . . 71
4.2 Formulation variationnelle du problème (4.1.1) − (4.1.7) . . . . . 73
4.3 Analyse asymptotique . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.3.1 Cadre fonctionnel et problème variationnel . . . . . . . . . 75
4.3.2 Estimation à priori et résultats de convergence . . . . . . 77
4.4 Problème limite et l’équation généralisée de Reynolds . . . . . . 80
4.5 Unicité des solutions . . . . . . . . . . . . . . . . . . . . . . . . . 86
Bibliographie 89Côte titre : DM/0113 En ligne : https://drive.google.com/file/d/14NbGjojvgXm66UnACpRit_kp8cN9tWOb/view?usp=shari [...] Format de la ressource électronique : Comportement asymptotique de différents problèmes de contact avec frottement en film mince dans le cas isotherme et non-isotherme [texte imprimé] / Abdelkader Saadallah, Auteur ; Hamid Benseridi, Directeur de thèse . - [S.l.] : Setif:UFA, 2016 . - 1 vol (92 f.) ; 29 cm.
Catégories : Thèses & Mémoires:Mathématique Mots-clés : Asymptotique
Ecoulement
Elasticite
Non-isotherme
TreskaIndex. décimale : 510 Mathématique Note de contenu : TABLE DES MATIÈRES
Remerciement iii
Dédicaces iv
Introduction v
1 Préliminaires 1
1.1 Equations générales de la mécanique des milieux continus . . . 1
1.2 Conditions aux limites de contact avec frottement . . . . . . . . 2
1.3 Propriétés de semi-continuité inférieure . . . . . . . . . . . . . . 4
1.4 Lemme de Gronwall . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Lemme de Minty . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6 Inégalités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.7 Intégrale curviligne . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Analyse asymptotique d’un problème dynamique d’élasticité linéaire non isotherme avec frottement de Tresca 8
2.1 Introduction et position du problème . . . . . . . . . . . . . . . . 10
2.2 Formulation variationnelle du problème (2.1.1) − (2.1.10) . . . . . 14
2.3 Analyse asymptotique du problème (2.1.1) − (2.1.10) . . . . . . . . 18
2.3.1 Changement du domaine et problème variationnel . . . . 18
2.3.2 Estimations à priori . . . . . . . . . . . . . . . . . . . . . . 20
2.3.3 Résultats de convergence . . . . . . . . . . . . . . . . . . . 29
2.3.4 Problème limite et l’équation de Reynolds . . . . . . . . . 30
2.3.5 Unicité des solutions du problème limite . . . . . . . . . . 33
3 Comportement Asymptotique d’un fluide de Bingham non isotherme dans un domaine mince avec frottement de Tresca 40
3.1 Introduction et position du problème . . . . . . . . . . . . . . . . 42
3.2 Formulation variationnelle du problème (3.1.1) − (3.1.10) . . . . . 45
3.3 Lemmes utiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4 Analyse asymptotique du problème (3.1.1) − (3.1.10) . . . . . . . . 48
3.4.1 Estimations sur la vitesse et la pression . . . . . . . . . . 49
3.4.2 Estimations sur la température . . . . . . . . . . . . . . . 53
3.4.3 Résultats de convergence et problème limite . . . . . . . . 56
4 Comportement Asymptotique d’un fluide de Herschel-Bulkley dans
un domaine mince avec frottement de Tresca 69
4.1 Introduction et Position du problème . . . . . . . . . . . . . . . . 71
4.2 Formulation variationnelle du problème (4.1.1) − (4.1.7) . . . . . 73
4.3 Analyse asymptotique . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.3.1 Cadre fonctionnel et problème variationnel . . . . . . . . . 75
4.3.2 Estimation à priori et résultats de convergence . . . . . . 77
4.4 Problème limite et l’équation généralisée de Reynolds . . . . . . 80
4.5 Unicité des solutions . . . . . . . . . . . . . . . . . . . . . . . . . 86
Bibliographie 89Côte titre : DM/0113 En ligne : https://drive.google.com/file/d/14NbGjojvgXm66UnACpRit_kp8cN9tWOb/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DM/0113 DM/0113 Thèse Bibliothéque des sciences Français Disponible
DisponibleComportement asymptotique d’un fluide newtonien isotherme avec une condition de frottement liquide-solide / Hadjer BOUFASSA
Titre : Comportement asymptotique d’un fluide newtonien isotherme avec une condition de frottement liquide-solide Type de document : texte imprimé Auteurs : Hadjer BOUFASSA, Auteur ; Abdelkader Saadallah, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (47 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Mathématique Mots-clés : Conditions aux limites
La vitesse
La pression
Frottement
Equation de Reynolds
Loi de Tresca.Index. décimale : 510 - Mathématique Résumé :
Le but de ce travail est l’étude du cas d’un fluide newtonien en film mince en
présence des conditions non linéaires de types Tresca sur une partie du bord
du domaine. En premier lieu, on a montré l’existence et l’unicité de la solution
faible. Ensuite, nous avons prouvé des estimations a priori sur la vitesse
indépendamment du paramètreenfin grâce à ces estimations, nous avons
obtenu les principaux résultats concernant le problème limite et l’unicité de
la solution.Côte titre : MAM/0389 En ligne : https://drive.google.com/file/d/1mqA0kWTdVxlIFOwP2ggG4WtzKtwbTCgC/view?usp=shari [...] Format de la ressource électronique : Comportement asymptotique d’un fluide newtonien isotherme avec une condition de frottement liquide-solide [texte imprimé] / Hadjer BOUFASSA, Auteur ; Abdelkader Saadallah, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (47 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Mathématique Mots-clés : Conditions aux limites
La vitesse
La pression
Frottement
Equation de Reynolds
Loi de Tresca.Index. décimale : 510 - Mathématique Résumé :
Le but de ce travail est l’étude du cas d’un fluide newtonien en film mince en
présence des conditions non linéaires de types Tresca sur une partie du bord
du domaine. En premier lieu, on a montré l’existence et l’unicité de la solution
faible. Ensuite, nous avons prouvé des estimations a priori sur la vitesse
indépendamment du paramètreenfin grâce à ces estimations, nous avons
obtenu les principaux résultats concernant le problème limite et l’unicité de
la solution.Côte titre : MAM/0389 En ligne : https://drive.google.com/file/d/1mqA0kWTdVxlIFOwP2ggG4WtzKtwbTCgC/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAM/0389 MAM/0389 Mémoire Bibliothéque des sciences Français Disponible
DisponibleComportement asymptotique de quelques équations intégra différentielles issues du modèle viscoélastique de Boltzmann / Saïd Berrimi
PermalinkPermalinkPermalinkPermalinkPermalinkComportement asymptotique des solutions de l'équation: ε 2 Δu+λu=f (u) sur une couronne sphérique / Roufaida Ketfi
PermalinkPermalinkComportement singulier des solutions de quelques problèmes aux limites gouvernées par le Bilaplacien dans Polygone plan / Razika Boufenouche
PermalinkComportement singulier des solutions du système de lame dans un polygone / Kessire,narimane
PermalinkPermalinkComposition chimique et activité biologique d’une espèce de la famille des Apiacées / Talaout,Assia
PermalinkPermalinkPermalinkPermalinkComposition de services web dans l’e-finance / KOUACHI,Asma-Iman
PermalinkComposition des services web pour le développement de la couche métier / Chetouani,Zahra
PermalinkPermalinkPermalinkCompression des images animées par le codage EZW 2D / Azzaz, lamia
PermalinkPermalink