ANONYMISATION DES MICRO-DONNÉES BASÉE SUR BHA / Merad Med, Yacine Ramzi  

Public ISBD Titre : ANONYMISATION DES MICRO-DONNÉES BASÉE SUR BHA Type de document : texte imprimé Auteurs : Merad Med, Yacine Ramzi, Auteur ; Kacha, Lynda, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (61 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Vie privée Anonymisation Optimisation Métaheuristiques Index. décimale : 004 - Informatique Résumé : La protection de la vie privée est un aspect important dans le processus de publication de données. Elle est, généralement, obtenue par une technique d’anonymisation, consistant à apporter certaines modifications aux données publiées. Ces modifications doivent être aussi minimes que possibles pour garder une bonne qualité des données. En effet, plus les données sont modifiées, meilleure est leur protection et moins leur qualité est bonne. La qualité d’une technique d’anonymisation, est relative à sa capacité à trouver le meilleur compromis entre la protection et la préservation de la qualité des données publiées. Trouver un tel compromis, est une tâche assez complexe et est considérée comme un problème NP-difficile. L’utilisation des métaheuristiques d’optimisation, dans ce contexte, est donc une bonne alternative. L’objectif de notre travail est d’adapter les métaheuristiques au domaine de la vie privée, pour résoudre le problème d’anonymisation optimale. Pour cela, nous avons proposé un algorithme hybride, basé sur la métaheuristique BHA et une technique de clustering. Notre algorithme a été intégré à l’une des techniques d’anonymisation les plus utilisées, à savoir k-anonymat. L’évaluation de notre algorithme a démontré qu’une k-anonymisation basée sur notre algorithme est meilleure qu’une k- anonymisation simple. Côte titre : MAI/0508 En ligne : https://drive.google.com/file/d/1e3gZ22mysvhFXBvT-pZoVGQFzMyEvae-/view?usp=shari [...] Format de la ressource électronique : pdf ANONYMISATION DES MICRO-DONNÉES BASÉE SUR BHA [texte imprimé] / Merad Med, Yacine Ramzi, Auteur ; Kacha, Lynda, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (61 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Vie privée Anonymisation Optimisation Métaheuristiques Index. décimale : 004 - Informatique Résumé : La protection de la vie privée est un aspect important dans le processus de publication de données. Elle est, généralement, obtenue par une technique d’anonymisation, consistant à apporter certaines modifications aux données publiées. Ces modifications doivent être aussi minimes que possibles pour garder une bonne qualité des données. En effet, plus les données sont modifiées, meilleure est leur protection et moins leur qualité est bonne. La qualité d’une technique d’anonymisation, est relative à sa capacité à trouver le meilleur compromis entre la protection et la préservation de la qualité des données publiées. Trouver un tel compromis, est une tâche assez complexe et est considérée comme un problème NP-difficile. L’utilisation des métaheuristiques d’optimisation, dans ce contexte, est donc une bonne alternative. L’objectif de notre travail est d’adapter les métaheuristiques au domaine de la vie privée, pour résoudre le problème d’anonymisation optimale. Pour cela, nous avons proposé un algorithme hybride, basé sur la métaheuristique BHA et une technique de clustering. Notre algorithme a été intégré à l’une des techniques d’anonymisation les plus utilisées, à savoir k-anonymat. L’évaluation de notre algorithme a démontré qu’une k-anonymisation basée sur notre algorithme est meilleure qu’une k- anonymisation simple. Côte titre : MAI/0508 En ligne : https://drive.google.com/file/d/1e3gZ22mysvhFXBvT-pZoVGQFzMyEvae-/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0508	MAI/0508	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Anonymisation des micro-données basée sur PSO / Kadri ,Mouhamed El Mahdi  

Public ISBD Titre : Anonymisation des micro-données basée sur PSO Type de document : texte imprimé Auteurs : Kadri ,Mouhamed El Mahdi, Auteur ; Kacha, Lynda, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (64 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Vie privée Anonymisation Métaheuristiques Index. décimale : 004 - Informatique Résumé : L'anonymisation est l'un des concepts les plus importants dans le processus de publication des données. C’est une technique de protection de la vie privée, qui consiste à cacher l’identité d’une personne, en effectuant certaines modifications sur ces données personnelles. Afin de préserver la qualité des données publiées, ces modifications doivent être moindre. La qualité des données publiées dépend de la qualité de la technique d’anonymisation employée. La qualité d’une technique d’anonymisation, est relative à sa capacité à trouver le meilleur compromis entre la préservation de la vie privée et la qualité des données publiées. Trouver un tel compromis, est une tâche complexe et est considérée comme un problème NP-difficile. L’utilisation des métaheuristiques d’optimisation, dans ce contexte, est donc une bonne alternative. L’objectif de notre travail est d’adapter les métaheuristiques au domaine de la vie privée, pour résoudre le problème d’anonymisation optimale. Pour cela, nous avons proposé un algorithme hybride, basé sur la métaheuristique PSO et une technique de clustering. Notre algorithme a été intégré à l’une des techniques d’anonymisation les plus utilisées, à savoir k-anonymat. L’évaluation de notre algorithme a démontré qu’une k-anonymisation basée sur notre algorithme est meilleure qu’une k- anonymisation simple. Côte titre : MAI/0518 En ligne : https://drive.google.com/file/d/1XEa8czpf_6T0fm6PlFykBnD_6PMoNEYG/view?usp=share [...] Format de la ressource électronique : pdf Anonymisation des micro-données basée sur PSO [texte imprimé] / Kadri ,Mouhamed El Mahdi, Auteur ; Kacha, Lynda, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (64 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Vie privée Anonymisation Métaheuristiques Index. décimale : 004 - Informatique Résumé : L'anonymisation est l'un des concepts les plus importants dans le processus de publication des données. C’est une technique de protection de la vie privée, qui consiste à cacher l’identité d’une personne, en effectuant certaines modifications sur ces données personnelles. Afin de préserver la qualité des données publiées, ces modifications doivent être moindre. La qualité des données publiées dépend de la qualité de la technique d’anonymisation employée. La qualité d’une technique d’anonymisation, est relative à sa capacité à trouver le meilleur compromis entre la préservation de la vie privée et la qualité des données publiées. Trouver un tel compromis, est une tâche complexe et est considérée comme un problème NP-difficile. L’utilisation des métaheuristiques d’optimisation, dans ce contexte, est donc une bonne alternative. L’objectif de notre travail est d’adapter les métaheuristiques au domaine de la vie privée, pour résoudre le problème d’anonymisation optimale. Pour cela, nous avons proposé un algorithme hybride, basé sur la métaheuristique PSO et une technique de clustering. Notre algorithme a été intégré à l’une des techniques d’anonymisation les plus utilisées, à savoir k-anonymat. L’évaluation de notre algorithme a démontré qu’une k-anonymisation basée sur notre algorithme est meilleure qu’une k- anonymisation simple. Côte titre : MAI/0518 En ligne : https://drive.google.com/file/d/1XEa8czpf_6T0fm6PlFykBnD_6PMoNEYG/view?usp=share [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0518	MAI/0518	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Confidentialité des donnée dans le cloud computing / Messalti, Hadda  

Public ISBD Titre : Confidentialité des donnée dans le cloud computing Type de document : texte imprimé Auteurs : Messalti, Hadda, Auteur ; Kacha, Lynda, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (54 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Cloud Computing Confidentialit´e et vie priv´ee Anonymisation Median Mondrian Index. décimale : 004 - Informatique Résumé : La protection de la vie priv´ee est l’une des principales pr´eoccupations lorsque des donn´ees contenant des informations sensibles doivent ˆetre publi´ees `a des fin d’analyse. K-anonymat est une approche tr`es populaire pour la protection de la vie priv´ee. Cependant, comme tous les mod´eles d’anonymat, elle d´egrade la qualit´e des donn´ees. Ce probl`eme, appel´e ‘’data utility”, est un probl`eme cl´e que tous les algorithmes d’anonymisation tentent de r´esoudre. L’objectif de notre travail est d’´evaluer l’utilit´e des donn´ees de l’un des algorithmes les plus populaire dans le domaine de l’anonymat, `a savoir Median Mondrian. Cette ´evaluation a ´et´e r´ealis´e sur un ensemble de donn´ees r´eel et les r´esultats des simulations montrent que l’algorithme Median Mondrian produit des donn´ees anonymes de bonne qualit´e. Côte titre : MAI/0418 En ligne : https://drive.google.com/file/d/1hZqAhdj3QftSquKsQ1tHiA9ymaI2sr4u/view?usp=shari [...] Format de la ressource électronique : pdf Confidentialité des donnée dans le cloud computing [texte imprimé] / Messalti, Hadda, Auteur ; Kacha, Lynda, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (54 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Cloud Computing Confidentialit´e et vie priv´ee Anonymisation Median Mondrian Index. décimale : 004 - Informatique Résumé : La protection de la vie priv´ee est l’une des principales pr´eoccupations lorsque des donn´ees contenant des informations sensibles doivent ˆetre publi´ees `a des fin d’analyse. K-anonymat est une approche tr`es populaire pour la protection de la vie priv´ee. Cependant, comme tous les mod´eles d’anonymat, elle d´egrade la qualit´e des donn´ees. Ce probl`eme, appel´e ‘’data utility”, est un probl`eme cl´e que tous les algorithmes d’anonymisation tentent de r´esoudre. L’objectif de notre travail est d’´evaluer l’utilit´e des donn´ees de l’un des algorithmes les plus populaire dans le domaine de l’anonymat, `a savoir Median Mondrian. Cette ´evaluation a ´et´e r´ealis´e sur un ensemble de donn´ees r´eel et les r´esultats des simulations montrent que l’algorithme Median Mondrian produit des donn´ees anonymes de bonne qualit´e. Côte titre : MAI/0418 En ligne : https://drive.google.com/file/d/1hZqAhdj3QftSquKsQ1tHiA9ymaI2sr4u/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0418	MAI/0418	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Exploration des effets à long terme du Coronavirus Sur les individus, à l'aide du Deep Learning / Moncef Laalaoui

Public ISBD Titre : Exploration des effets à long terme du Coronavirus Sur les individus, à l'aide du Deep Learning Type de document : document électronique Auteurs : Moncef Laalaoui, Auteur ; Mohamed Naime Medjili, Auteur ; Kacha, Lynda, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2024 Importance : 1 vol (45 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : COVID-19 Machine Learning Deep Learning Multi-Layer Perceptron SHapley Additive exPlanations Index. décimale : 004 Informatique Résumé : La pandémie de COVID-19 a engendré des conséquences graves et durables pour de nombreux patients, notamment des effets à long terme qui suscitent désormais une vive préoccupation. Ces séquelles sont souvent difficiles à diagnostiquer précocement en raison de leur manifestation tardive et de leur variabilité. Ce travail explore les effets prolongés du COVID-19, en mettant l'accent sur les aspects psychologiques. Pour ce faire, nous avons développé et entraîné un réseau de neurones artificiels à prédire et caractériser ces effets chez les patients atteints de COVID-19. Après la validation de notre modèle, nous avons utilisé la technique SHAP (SHapley Additive exPlanations) pour analyser le raisonnement du modèle et ses prédictions, afin d'identifier les effets à long terme de cette maladie. Malgré les défis liés à la disponibilité limitée des données, nos résultats sont prometteurs et suggèrent que notre modèle peut contribuer à une meilleure compréhension des impacts à long terme de du COVID-19. Note de contenu : Sommaire INTRODUCTION GENERALE ................................................................................................ 1 CHAPITRE 1 ...........................................................................................................................................2 1.1 INTRODUCTION ............................................................................................................................ 3 1.2 FONDAMENTAUX DE L’IA, ML ET DL ............................................................................................ 3 1.2.1 INTELLIGENCE ARTIFICIELLE ...................................................................................................... 3 1.2.2 MACHING LEARNING ............................................................................................................... 4 1.2.3 DEEP LEARNING ...................................................................................................................... 5 1.3 RESEAUX DE NEURONES ARTIFICIELS ........................................................................................... 6 1.3.1 NEURONE BIOLOGIQUE ............................................................................................................ 6 1.3.2 NEURONE ARTIFICIEL ............................................................................................................... 6 1.3.3 FONCTIONNEMENT GENERALE D’UN ANN .................................................................................. 7 1.3.4 TYPES DE RESEAUX DE NEURONES ARTIFICIELS ........................................................................... 9 1.3.5 DOMAINES D’APPLICATION .................................................................................................... 12 1.4 CONCLUSION .............................................................................................................................. 13 CHAPITRE 2 ........................................................................................................................................ 14 2.1 INTRODUCTION .......................................................................................................................... 15 2.2 TRAVEAUX CONNEXES ............................................................................................................... 15 2.3 SYNTHESE ET DISCUSSION .......................................................................................................... 18 2.4 CONCLUSION .............................................................................................................................. 20 CHAPITRE 3 ........................................................................................................................................ 21 3.1 INTRODUCTION .......................................................................................................................... 22 3.2 DESCRIPTION DU DATASET ........................................................................................................ 22 3.3 CONCEPTION DU MODELE ......................................................................................................... 24 3.4 IMPLEMENTATION ET EVALUATION DU MODELE CPDL ............................................................. 26 3.4.1 ENVIRONEMENT ET OUTILS D’IMPLEMENTATION ..................................................................... 26 3.4.2 IMLEMENTATION DU MODELE CPDL AVEC PYTHON .................................................................. 29 3.4.3 EVALUATION DU MODELE CPDL .............................................................................................. 35 3.5 INTERPRETATION DU MODELE CPDL .......................................................................................... 37 3.6 CONCLUSION .............................................................................................................................. 39 CONCLUSION GENERALE ................................................................................................. 40 Côte titre : MAI/0936 Exploration des effets à long terme du Coronavirus Sur les individus, à l'aide du Deep Learning [document électronique] / Moncef Laalaoui, Auteur ; Mohamed Naime Medjili, Auteur ; Kacha, Lynda, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2024 . - 1 vol (45 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : COVID-19 Machine Learning Deep Learning Multi-Layer Perceptron SHapley Additive exPlanations Index. décimale : 004 Informatique Résumé : La pandémie de COVID-19 a engendré des conséquences graves et durables pour de nombreux patients, notamment des effets à long terme qui suscitent désormais une vive préoccupation. Ces séquelles sont souvent difficiles à diagnostiquer précocement en raison de leur manifestation tardive et de leur variabilité. Ce travail explore les effets prolongés du COVID-19, en mettant l'accent sur les aspects psychologiques. Pour ce faire, nous avons développé et entraîné un réseau de neurones artificiels à prédire et caractériser ces effets chez les patients atteints de COVID-19. Après la validation de notre modèle, nous avons utilisé la technique SHAP (SHapley Additive exPlanations) pour analyser le raisonnement du modèle et ses prédictions, afin d'identifier les effets à long terme de cette maladie. Malgré les défis liés à la disponibilité limitée des données, nos résultats sont prometteurs et suggèrent que notre modèle peut contribuer à une meilleure compréhension des impacts à long terme de du COVID-19. Note de contenu : Sommaire INTRODUCTION GENERALE ................................................................................................ 1 CHAPITRE 1 ...........................................................................................................................................2 1.1 INTRODUCTION ............................................................................................................................ 3 1.2 FONDAMENTAUX DE L’IA, ML ET DL ............................................................................................ 3 1.2.1 INTELLIGENCE ARTIFICIELLE ...................................................................................................... 3 1.2.2 MACHING LEARNING ............................................................................................................... 4 1.2.3 DEEP LEARNING ...................................................................................................................... 5 1.3 RESEAUX DE NEURONES ARTIFICIELS ........................................................................................... 6 1.3.1 NEURONE BIOLOGIQUE ............................................................................................................ 6 1.3.2 NEURONE ARTIFICIEL ............................................................................................................... 6 1.3.3 FONCTIONNEMENT GENERALE D’UN ANN .................................................................................. 7 1.3.4 TYPES DE RESEAUX DE NEURONES ARTIFICIELS ........................................................................... 9 1.3.5 DOMAINES D’APPLICATION .................................................................................................... 12 1.4 CONCLUSION .............................................................................................................................. 13 CHAPITRE 2 ........................................................................................................................................ 14 2.1 INTRODUCTION .......................................................................................................................... 15 2.2 TRAVEAUX CONNEXES ............................................................................................................... 15 2.3 SYNTHESE ET DISCUSSION .......................................................................................................... 18 2.4 CONCLUSION .............................................................................................................................. 20 CHAPITRE 3 ........................................................................................................................................ 21 3.1 INTRODUCTION .......................................................................................................................... 22 3.2 DESCRIPTION DU DATASET ........................................................................................................ 22 3.3 CONCEPTION DU MODELE ......................................................................................................... 24 3.4 IMPLEMENTATION ET EVALUATION DU MODELE CPDL ............................................................. 26 3.4.1 ENVIRONEMENT ET OUTILS D’IMPLEMENTATION ..................................................................... 26 3.4.2 IMLEMENTATION DU MODELE CPDL AVEC PYTHON .................................................................. 29 3.4.3 EVALUATION DU MODELE CPDL .............................................................................................. 35 3.5 INTERPRETATION DU MODELE CPDL .......................................................................................... 37 3.6 CONCLUSION .............................................................................................................................. 39 CONCLUSION GENERALE ................................................................................................. 40 Côte titre : MAI/0936

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0936	MAI/0936	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Exploration des facteurs de risques du Cancer par le Deep Learning / Fatima Kerma

Public ISBD Titre : Exploration des facteurs de risques du Cancer par le Deep Learning Type de document : document électronique Auteurs : Fatima Kerma, Auteur ; Lina Zaouani, Auteur ; Kacha, Lynda, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2024 Importance : 1 vol (62 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Machine Learning Deep Learning Multiulti ulti-Layer Perceptron Index. décimale : 004 Informatique Note de contenu : Sommaire INTRODUCTION GENERALE .................................................................................................. 1 CHAPITRE 1 ........................................................................................................................... 2 INTRODUCTION ........................................................................................................ 3 FONDAMENTAUX DE L’IA ML ET DL ................................................................................. 3 1.2.1 Intelligence artificielle .................................................................................... 4 1.2.2 Machine Learning .......................................................................................... 5 1.2.3 Deep Learning ................................................................................................ 7 RESEAUX DE NEURONES ARTIFICIELS .............................................................................. 8 1.3.1 Base biologique des réseaux de neurones artificiels ........................................ 8 1.3.2 Structure d’un reseau de neurones ............................................................... 11 1.3.3 Fonctionnement d’un réseau de neurones .................................................... 12 1.3.4 types de reseaux de neurones artificiels ....................................................... 15 1.3.4.1 Réseau de neurone convolutif (CNN) ......................................................... 15 1.3.4.2 Réseau de neurone récurrent (RNN) .......................................................... 16 1.3.4.3 Machine de Boltzmann restreinte (RBM) ................................................... 17 1.3.4.4 Deep Brief Network (DBN) ........................................................................ 18 1.3.5 Domaines d’application ............................................................................... 19 1.3.5.1 Vision par ordinateur ................................................................................ 19 1.3.5.2 Traitement du langage naturel .................................................................. 20 1.3.5.3 Cybersécurité ............................................................................................ 21 CONCLUSION : ....................................................................................................... 23 CHAPITRE 2 ......................................................................................................................... 24 INTRODUCTION ...................................................................................................... 25 TRAVAUX CONNEXES ................................................................................................ 26 SYNTHESE ET DISCUSSION .......................................................................................... 29 CONCLUSION ......................................................................................................... 31 CHAPITRE 3 ......................................................................................................................... 32 INTRODUCTION ...................................................................................................... 33 DESCRIPTION DE LA BASE DE DONNEES .......................................................................... 33 CONCEPTION DU MODELE LCDL .................................................................................. 35 IMPLEMENTATION ET EVALUATION DU MODELE LCDL ........................................ 38 3.4.1 ENVIRONNEMENT ET OUTILS D’IMPLEMENTATION ....................................... 38 3.4.2 CODAGE DU MODELE LCDL ........................................................................... 40 3.4.3 EVALUATION DU MODELE LCDL .................................................................... 48 Côte titre : MAI/0937 Exploration des facteurs de risques du Cancer par le Deep Learning [document électronique] / Fatima Kerma, Auteur ; Lina Zaouani, Auteur ; Kacha, Lynda, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2024 . - 1 vol (62 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Machine Learning Deep Learning Multiulti ulti-Layer Perceptron Index. décimale : 004 Informatique Note de contenu : Sommaire INTRODUCTION GENERALE .................................................................................................. 1 CHAPITRE 1 ........................................................................................................................... 2 INTRODUCTION ........................................................................................................ 3 FONDAMENTAUX DE L’IA ML ET DL ................................................................................. 3 1.2.1 Intelligence artificielle .................................................................................... 4 1.2.2 Machine Learning .......................................................................................... 5 1.2.3 Deep Learning ................................................................................................ 7 RESEAUX DE NEURONES ARTIFICIELS .............................................................................. 8 1.3.1 Base biologique des réseaux de neurones artificiels ........................................ 8 1.3.2 Structure d’un reseau de neurones ............................................................... 11 1.3.3 Fonctionnement d’un réseau de neurones .................................................... 12 1.3.4 types de reseaux de neurones artificiels ....................................................... 15 1.3.4.1 Réseau de neurone convolutif (CNN) ......................................................... 15 1.3.4.2 Réseau de neurone récurrent (RNN) .......................................................... 16 1.3.4.3 Machine de Boltzmann restreinte (RBM) ................................................... 17 1.3.4.4 Deep Brief Network (DBN) ........................................................................ 18 1.3.5 Domaines d’application ............................................................................... 19 1.3.5.1 Vision par ordinateur ................................................................................ 19 1.3.5.2 Traitement du langage naturel .................................................................. 20 1.3.5.3 Cybersécurité ............................................................................................ 21 CONCLUSION : ....................................................................................................... 23 CHAPITRE 2 ......................................................................................................................... 24 INTRODUCTION ...................................................................................................... 25 TRAVAUX CONNEXES ................................................................................................ 26 SYNTHESE ET DISCUSSION .......................................................................................... 29 CONCLUSION ......................................................................................................... 31 CHAPITRE 3 ......................................................................................................................... 32 INTRODUCTION ...................................................................................................... 33 DESCRIPTION DE LA BASE DE DONNEES .......................................................................... 33 CONCEPTION DU MODELE LCDL .................................................................................. 35 IMPLEMENTATION ET EVALUATION DU MODELE LCDL ........................................ 38 3.4.1 ENVIRONNEMENT ET OUTILS D’IMPLEMENTATION ....................................... 38 3.4.2 CODAGE DU MODELE LCDL ........................................................................... 40 3.4.3 EVALUATION DU MODELE LCDL .................................................................... 48 Côte titre : MAI/0937

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0937	MAI/0937	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 5 / 5)