University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Fatiha Tebbani |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Analyse des sentiments arabe en utilisant le Deep Learning Type de document : texte imprimé Auteurs : Mohamed Salah Eddine Smati, Auteur ; Fatiha Tebbani, Directeur de thèse Année de publication : 2021 Importance : 1 vol (65 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments arabes
Classement de donnéesIndex. décimale : 004 Informatique Résumé :
Au cours de ces 15 dernières années, le processus d’analyse des sentiments a pris de plus en plus d’importance parmi les processus de classement de données. C’est une solution automatique qui sert à extraire l’opinion de l’auteur d’un texte et le classifier en se servant de différentes approches du fameux Deep Learning.
C’est dans le cadre de ce travail que nous avons réalisé. Ce dernier a pour but d’améliorer nos connaissances sur ce sujet et les utiliser pour développer une application dans le domaine spécifique de l’analyse des sentiments arabes en utilisant le Deep Learning.Côte titre : MAI/0562 En ligne : https://drive.google.com/file/d/1gDgr98fzLWrrvwfEhbHnk9Hy0d6t1_-P/view?usp=share [...] Format de la ressource électronique : Analyse des sentiments arabe en utilisant le Deep Learning [texte imprimé] / Mohamed Salah Eddine Smati, Auteur ; Fatiha Tebbani, Directeur de thèse . - 2021 . - 1 vol (65 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments arabes
Classement de donnéesIndex. décimale : 004 Informatique Résumé :
Au cours de ces 15 dernières années, le processus d’analyse des sentiments a pris de plus en plus d’importance parmi les processus de classement de données. C’est une solution automatique qui sert à extraire l’opinion de l’auteur d’un texte et le classifier en se servant de différentes approches du fameux Deep Learning.
C’est dans le cadre de ce travail que nous avons réalisé. Ce dernier a pour but d’améliorer nos connaissances sur ce sujet et les utiliser pour développer une application dans le domaine spécifique de l’analyse des sentiments arabes en utilisant le Deep Learning.Côte titre : MAI/0562 En ligne : https://drive.google.com/file/d/1gDgr98fzLWrrvwfEhbHnk9Hy0d6t1_-P/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0562 MAI/0562 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Arabic Sentiment Analysis using Deep Learning for Algerian dialect Type de document : texte imprimé Auteurs : Aymen Mendil, Auteur ; Aymen Hani Boucetta, Auteur ; Fatiha Tebbani, Directeur de thèse Année de publication : 2022 Importance : 1 vol (47 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Arabic sentiment analysis
Data classificationIndex. décimale : 004 Informatique Résumé :
Deep learning is a strong machine learning technology that learns numerous layers of data representations or features and generates cutting-edge prediction results. Deep learning has recently been employed in sentiment analysis, owing to its success in a variety of application fields.
The main reason of this work is to develop an application adapted for the specific Arabic sentiment analysis domain using Deep Learning and data collected from Algerian dialects in social media.Côte titre : MAI/0580 En ligne : https://drive.google.com/file/d/1exAZx3qK1r5bop9W-eYE_vJH5M1eQL4d/view?usp=share [...] Format de la ressource électronique : Arabic Sentiment Analysis using Deep Learning for Algerian dialect [texte imprimé] / Aymen Mendil, Auteur ; Aymen Hani Boucetta, Auteur ; Fatiha Tebbani, Directeur de thèse . - 2022 . - 1 vol (47 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Arabic sentiment analysis
Data classificationIndex. décimale : 004 Informatique Résumé :
Deep learning is a strong machine learning technology that learns numerous layers of data representations or features and generates cutting-edge prediction results. Deep learning has recently been employed in sentiment analysis, owing to its success in a variety of application fields.
The main reason of this work is to develop an application adapted for the specific Arabic sentiment analysis domain using Deep Learning and data collected from Algerian dialects in social media.Côte titre : MAI/0580 En ligne : https://drive.google.com/file/d/1exAZx3qK1r5bop9W-eYE_vJH5M1eQL4d/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0580 MAI/0580 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : CNN pour L’Analyse des Sentiments en arabe Type de document : texte imprimé Auteurs : Sara Mazouz, Auteur ; Ismahen Haddad ; Fatiha Tebbani, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (68 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments
Corpus
Deep learning
Prétraitement du texteIndex. décimale : 004 - Informatique Résumé : L’analyse des sentiments est un domaine de l’intelligence artificielle et du traitement
automatique du langage naturel, qui consiste à attribuer un document textuel à une
certaine classe(positive, negative, neutre).
Dans le cadre de notre mémoire, nous avons procédé à la collecte d’un ensemble de
données de commentaires en dialecte algérien provenant de la plateforme Facebook.
Puis nous avons appliqué des techniques de prétraitement du texte pour prétraiter ces
données et enfin nous avons développé un réseau de neurones profond en exploitant
les réseaux de neurones convolutifs = Sentiment analysis is a field of Artificial Intelligence and Automatic Natural Language
Processing, which involves assigning a textual document to a certain class (positive,
negative, neutral).
As part of our thesis, we collected a dataset of comments in Algerian dialect from the
Facebook platform. Then we applied the technics of text pre-processing to pre-process
this data and finally we devalop of a deep neural network by exploiting convolutional
neural networksCôte titre : MAI/0776 En ligne : https://drive.google.com/file/d/1ebwdi43oNmlYJaraWdcXfc6CrElB0d_V/view?usp=drive [...] Format de la ressource électronique : CNN pour L’Analyse des Sentiments en arabe [texte imprimé] / Sara Mazouz, Auteur ; Ismahen Haddad ; Fatiha Tebbani, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (68 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments
Corpus
Deep learning
Prétraitement du texteIndex. décimale : 004 - Informatique Résumé : L’analyse des sentiments est un domaine de l’intelligence artificielle et du traitement
automatique du langage naturel, qui consiste à attribuer un document textuel à une
certaine classe(positive, negative, neutre).
Dans le cadre de notre mémoire, nous avons procédé à la collecte d’un ensemble de
données de commentaires en dialecte algérien provenant de la plateforme Facebook.
Puis nous avons appliqué des techniques de prétraitement du texte pour prétraiter ces
données et enfin nous avons développé un réseau de neurones profond en exploitant
les réseaux de neurones convolutifs = Sentiment analysis is a field of Artificial Intelligence and Automatic Natural Language
Processing, which involves assigning a textual document to a certain class (positive,
negative, neutral).
As part of our thesis, we collected a dataset of comments in Algerian dialect from the
Facebook platform. Then we applied the technics of text pre-processing to pre-process
this data and finally we devalop of a deep neural network by exploiting convolutional
neural networksCôte titre : MAI/0776 En ligne : https://drive.google.com/file/d/1ebwdi43oNmlYJaraWdcXfc6CrElB0d_V/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0776 MAI/0776 Mémoire Bibliothéque des sciences Français Disponible
DisponibleComparison between deep and machine learning for Arabic sentiment analysis / Yahia Salah Eddine Sersoub
Titre : Comparison between deep and machine learning for Arabic sentiment analysis Type de document : texte imprimé Auteurs : Yahia Salah Eddine Sersoub, Auteur ; Oussama Bouberrima ; Fatiha Tebbani, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (47 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
This work explores the effectiveness of machine learning and deep learning
methods for sentiment analysis in Arabic dialects. The goal is to determine
the most effective method for analyzing Arabic emotions, whether deep
learning or machine learning, and to classify text excerpts into three
emotional categories : positive, negative, and neutral. This work uses
several machine learning algorithms such as support vector machines and
random forests, as well as deep learning architectures such as
convolutional neural networks and recurrent neural networks. The results
and performance of these methods are compared and evaluated on datasets
specifically designed for the selected dialects.Note de contenu : Sommaire
General Introduction 1
1 Sentiment Analysis and the Arabic Language 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Sentiment analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Basic concepts of sentiment analysis . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Objective vs. Subjective Sentences . . . . . . . . . . . . . . . . . . . 2
1.3.2 Categorization of feelings . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.3 Sentiment analysis levels . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Sentiment analysis applications . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5 Sentiment Analysis Classification (Approaches) . . . . . . . . . . . . . . . 5
1.6 Evaluation Measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.7 Arabic language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7.2 Arabic language types . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Machine-Learning and Deep Learning 11
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Why use machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Improve efficiency and automation . . . . . . . . . . . . . . . . . . 11
2.3.2 Better decision making . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.3 Innovation and creation of new products and services . . . . . . . . 12
2.4 Types of machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.3 Semi-Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.4 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5 Machine Learning Steps . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.3 Choosing the right model . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.4 Training the model . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.5 Evaluating the model . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.6 Hyperparameter tuning and optimization . . . . . . . . . . . . . . . 21
2.5.7 Predictions and deployment . . . . . . . . . . . . . . . . . . . . . . 21
2.6 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7 Basic concepts of deep learning . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7.1 Single Neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7.2 Activation functions . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.8 Deep learning architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.8.1 Artificial Neural Networks (ANN) : . . . . . . . . . . . . . . . . . . 26
2.8.2 Recurrent Neural Networks (RNNs) : . . . . . . . . . . . . . . . . . 27
2.8.3 Long Short-Term Memory (LSTMs) . . . . . . . . . . . . . . . . . 28
2.8.4 Convolutional Neural Networks(CNN) . . . . . . . . . . . . . . . . 29
2.9 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Practical side 32
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.1 Python : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.2 Anaconda : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.3 Jupyter notebook : . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.4 Google colab : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.5 Pandas : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.6 Numpy : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.7 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.8 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.9 Pickle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.10 NLTK (Natural Language ToolKit) . . . . . . . . . . . . . . . . . . 34
3.2.11 Gensim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.12 Tkinter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Data collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Implementation : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.1 Data pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.2 Word Embedding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.3 Implementation of Machine Learning algorithms : . . . . . . . . . . 38
3.4.4 Implementation of Deep Learning models : . . . . . . . . . . . . . . 41
3.4.5 Comparison of the results : . . . . . . . . . . . . . . . . . . . . . . 43
3.4.6 Model prediction result : . . . . . . . . . . . . . . . . . . . . . . . 46
3.4.7 Graphic Interface . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.5 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47Côte titre : MAI/0894 Comparison between deep and machine learning for Arabic sentiment analysis [texte imprimé] / Yahia Salah Eddine Sersoub, Auteur ; Oussama Bouberrima ; Fatiha Tebbani, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (47 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
This work explores the effectiveness of machine learning and deep learning
methods for sentiment analysis in Arabic dialects. The goal is to determine
the most effective method for analyzing Arabic emotions, whether deep
learning or machine learning, and to classify text excerpts into three
emotional categories : positive, negative, and neutral. This work uses
several machine learning algorithms such as support vector machines and
random forests, as well as deep learning architectures such as
convolutional neural networks and recurrent neural networks. The results
and performance of these methods are compared and evaluated on datasets
specifically designed for the selected dialects.Note de contenu : Sommaire
General Introduction 1
1 Sentiment Analysis and the Arabic Language 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Sentiment analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Basic concepts of sentiment analysis . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Objective vs. Subjective Sentences . . . . . . . . . . . . . . . . . . . 2
1.3.2 Categorization of feelings . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.3 Sentiment analysis levels . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Sentiment analysis applications . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5 Sentiment Analysis Classification (Approaches) . . . . . . . . . . . . . . . 5
1.6 Evaluation Measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.7 Arabic language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7.2 Arabic language types . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Machine-Learning and Deep Learning 11
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Why use machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Improve efficiency and automation . . . . . . . . . . . . . . . . . . 11
2.3.2 Better decision making . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.3 Innovation and creation of new products and services . . . . . . . . 12
2.4 Types of machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.3 Semi-Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.4 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5 Machine Learning Steps . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.3 Choosing the right model . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.4 Training the model . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.5 Evaluating the model . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.6 Hyperparameter tuning and optimization . . . . . . . . . . . . . . . 21
2.5.7 Predictions and deployment . . . . . . . . . . . . . . . . . . . . . . 21
2.6 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7 Basic concepts of deep learning . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7.1 Single Neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7.2 Activation functions . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.8 Deep learning architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.8.1 Artificial Neural Networks (ANN) : . . . . . . . . . . . . . . . . . . 26
2.8.2 Recurrent Neural Networks (RNNs) : . . . . . . . . . . . . . . . . . 27
2.8.3 Long Short-Term Memory (LSTMs) . . . . . . . . . . . . . . . . . 28
2.8.4 Convolutional Neural Networks(CNN) . . . . . . . . . . . . . . . . 29
2.9 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Practical side 32
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.1 Python : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.2 Anaconda : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.3 Jupyter notebook : . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.4 Google colab : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.5 Pandas : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.6 Numpy : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.7 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.8 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.9 Pickle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.10 NLTK (Natural Language ToolKit) . . . . . . . . . . . . . . . . . . 34
3.2.11 Gensim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.12 Tkinter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Data collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Implementation : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.1 Data pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.2 Word Embedding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.3 Implementation of Machine Learning algorithms : . . . . . . . . . . 38
3.4.4 Implementation of Deep Learning models : . . . . . . . . . . . . . . 41
3.4.5 Comparison of the results : . . . . . . . . . . . . . . . . . . . . . . 43
3.4.6 Model prediction result : . . . . . . . . . . . . . . . . . . . . . . . 46
3.4.7 Graphic Interface . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.5 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47Côte titre : MAI/0894 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0894 MAI/0894 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : RNN pour l’analyse des sentiments arabes dans le dialecte algerien Type de document : texte imprimé Auteurs : Zahra Malek Boukhelou, Auteur ; Fatiha Tebbani, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (47 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments arabes
Deep LearningIndex. décimale : 004 - Informatique Résumé : L’utilisation de l’analyse des sentiments presente de nombreux avantages et applications, et ´
l’adaptation de cette methode au dialecte alg ´ erien sur les m ´ edias sociaux o ´ ffre une opportunite´
precieuse pour mieux comprendre les opinions et les ´ emotions des utilisateurs alg ´ eriens. Cette ap- ´
plication, basee sur le Deep Learning et des donn ´ ees sp ´ ecifiques au contexte alg ´ erien, peut contri- ´
buer a une meilleure prise de d ` ecision et ´ a une compr ` ehension approfondie des pr ´ ef´ erences des ´
clients = The use of sentiment analysis has many benefits and applications, and adapting this method to
the Algerian dialect on social media offers a valuable opportunity to better understand the opinions
and emotions of Algerian users. This application, based on Deep Learning and data specific to the
Algerian context, can contribute to better decision-making and a deeper understanding of customer
preferences.
Côte titre : MAI/0775 En ligne : https://drive.google.com/file/d/1m5VklSMpa6ODjcTyrVz5iXtiZ1tc5RfO/view?usp=drive [...] Format de la ressource électronique : RNN pour l’analyse des sentiments arabes dans le dialecte algerien [texte imprimé] / Zahra Malek Boukhelou, Auteur ; Fatiha Tebbani, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (47 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments arabes
Deep LearningIndex. décimale : 004 - Informatique Résumé : L’utilisation de l’analyse des sentiments presente de nombreux avantages et applications, et ´
l’adaptation de cette methode au dialecte alg ´ erien sur les m ´ edias sociaux o ´ ffre une opportunite´
precieuse pour mieux comprendre les opinions et les ´ emotions des utilisateurs alg ´ eriens. Cette ap- ´
plication, basee sur le Deep Learning et des donn ´ ees sp ´ ecifiques au contexte alg ´ erien, peut contri- ´
buer a une meilleure prise de d ` ecision et ´ a une compr ` ehension approfondie des pr ´ ef´ erences des ´
clients = The use of sentiment analysis has many benefits and applications, and adapting this method to
the Algerian dialect on social media offers a valuable opportunity to better understand the opinions
and emotions of Algerian users. This application, based on Deep Learning and data specific to the
Algerian context, can contribute to better decision-making and a deeper understanding of customer
preferences.
Côte titre : MAI/0775 En ligne : https://drive.google.com/file/d/1m5VklSMpa6ODjcTyrVz5iXtiZ1tc5RfO/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0775 MAI/0775 Mémoire Bibliothéque des sciences Français Disponible
DisponiblePermalinkPermalinkPermalink
