University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Noureddine Mekroud |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la rechercheDeep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique / Rim Chemsse Rezig
Titre : Deep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique Type de document : texte imprimé Auteurs : Rim Chemsse Rezig, Auteur ; Aicha Haddad, Auteur ; Noureddine Mekroud, Directeur de thèse Année de publication : 2023 Importance : 1 vol (95 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning Bio-informatique Images d’Expression Génétique Modèles génératifs Théorie de l’incertain Règles d’Association Bioinformatics Gene Expression Images Generative Models Uncertain Theory Association Rules. Index. décimale : 004 Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus étudiées, vu l’importance vitale des connaissances que cachent ces données très volumineuses et hétérogènes et à caractère parfois incertain et imprécis. Une réduction fiable des dimensions des données étudiées réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la qualité de ses résultats. Aussi, introduire les théories de modélisation sous l’incertain (comme la logique floue, possibiliste et évidentielle) est très bénéfique pour assurer une représentation formelle des données biologiques fidèle à la leur réalité.
Dans cette perspective, l’approche proposée est basée sur la modélisation (via les théories de l’incertain) des séquences d’images représentant les zones expressions génétiques lors des phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ». Pour augmenter le nombre de ces images, nous proposons une méthode adéquate à leur contenu basée sur les modèles génératifs. Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences d’image est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via l’algorithme Apriori adapté à la logique évidentielle) les items-sets les plus fréquents qui représentent les gènes qui co-expriment durant les phases de développement de l’embryon de cette espèce. Une interprétation biologique des résultats des deux modélisations proposées (floue et possibiliste) sera ensuite fournie. Les connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants qui cache toujours des secrets=Derived from real-world observations, biological data is one of the most extensively studied types of data, given the vital importance of the knowledge hidden within these voluminous, heterogeneous, uncertain, and sometimes imprecise data. Reliable dimension reduction of the studied data will decrease the complexity of any utilized learning algorithm and help improve the quality of its results. Additionally, introducing modeling theories under uncertainty, such as fuzzy, possibilistic, and evidential logic, is highly beneficial for ensuring a formal representation of biological data that remains faithful to its reality.
In this regard, the proposed approach is based on modeling (using uncertain theories) sequences of images representing genetic expression zones during the growth phases of the "Edinburgh Mouse" model species embryo. To increase the number of these images, we propose a content-based method based on generative models. Subsequently, the extraction of the most relevant features from these image sequences is ensured through a Convolutional Autoencoder. Finally, using the Apriori algorithm adapted to evidential logic, the most frequent itemsets representing co-expressed genes during the developmental phases of this embryo species are extracted. A biological interpretation of the results from the two proposed models (fuzzy and possibilistic) will be provided. The extracted knowledge will assist biologists in better understanding the genome of living organisms, which always harbors secrets
Côte titre : MAI/0770 En ligne : https://drive.google.com/file/d/1cjWyNeTJcpzi6zk-ebSAjmjGvod3Nqyr/view?usp=drive [...] Format de la ressource électronique : Deep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique [texte imprimé] / Rim Chemsse Rezig, Auteur ; Aicha Haddad, Auteur ; Noureddine Mekroud, Directeur de thèse . - 2023 . - 1 vol (95 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning Bio-informatique Images d’Expression Génétique Modèles génératifs Théorie de l’incertain Règles d’Association Bioinformatics Gene Expression Images Generative Models Uncertain Theory Association Rules. Index. décimale : 004 Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus étudiées, vu l’importance vitale des connaissances que cachent ces données très volumineuses et hétérogènes et à caractère parfois incertain et imprécis. Une réduction fiable des dimensions des données étudiées réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la qualité de ses résultats. Aussi, introduire les théories de modélisation sous l’incertain (comme la logique floue, possibiliste et évidentielle) est très bénéfique pour assurer une représentation formelle des données biologiques fidèle à la leur réalité.
Dans cette perspective, l’approche proposée est basée sur la modélisation (via les théories de l’incertain) des séquences d’images représentant les zones expressions génétiques lors des phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ». Pour augmenter le nombre de ces images, nous proposons une méthode adéquate à leur contenu basée sur les modèles génératifs. Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences d’image est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via l’algorithme Apriori adapté à la logique évidentielle) les items-sets les plus fréquents qui représentent les gènes qui co-expriment durant les phases de développement de l’embryon de cette espèce. Une interprétation biologique des résultats des deux modélisations proposées (floue et possibiliste) sera ensuite fournie. Les connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants qui cache toujours des secrets=Derived from real-world observations, biological data is one of the most extensively studied types of data, given the vital importance of the knowledge hidden within these voluminous, heterogeneous, uncertain, and sometimes imprecise data. Reliable dimension reduction of the studied data will decrease the complexity of any utilized learning algorithm and help improve the quality of its results. Additionally, introducing modeling theories under uncertainty, such as fuzzy, possibilistic, and evidential logic, is highly beneficial for ensuring a formal representation of biological data that remains faithful to its reality.
In this regard, the proposed approach is based on modeling (using uncertain theories) sequences of images representing genetic expression zones during the growth phases of the "Edinburgh Mouse" model species embryo. To increase the number of these images, we propose a content-based method based on generative models. Subsequently, the extraction of the most relevant features from these image sequences is ensured through a Convolutional Autoencoder. Finally, using the Apriori algorithm adapted to evidential logic, the most frequent itemsets representing co-expressed genes during the developmental phases of this embryo species are extracted. A biological interpretation of the results from the two proposed models (fuzzy and possibilistic) will be provided. The extracted knowledge will assist biologists in better understanding the genome of living organisms, which always harbors secrets
Côte titre : MAI/0770 En ligne : https://drive.google.com/file/d/1cjWyNeTJcpzi6zk-ebSAjmjGvod3Nqyr/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0770 MAI/0770 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Extraction des caractéristiques des images d'expression génétique : Comparaison entre les Auto-Encodeurs et l’ACP Type de document : texte imprimé Auteurs : Adil Hellali, Auteur ; Lahcene Rahmani ; Noureddine Mekroud, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (88 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Bio-informatique
Deep Learning
Auto-Encodeur
Images d’Expression
Génétique
Règles d’Association.Index. décimale : 004 - Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus
étudiées, vu l’importance vitale des connaissances que cachent ces données très
volumineuses et hétérogènes. Une réduction fiable des dimensions des données étudiées
réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la
qualité de ses résultats.
Dans cette perspective, l’approche proposée est basée sur la compression (via des
techniques linéaires (comme l’ACP) et non linéaires (comme l’ACP à Noyau et les AutoEncodeurs)) des séquences d’images représentant les zones expressions génétiques lors des
phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ».
Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences
d’images est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via
l’algorithme Apriori) les item-sets les plus fréquents qui représentent les gènes qui coexpriment durant les phases de développement de l’embryon de cette espèce modèle. Une
interprétation biologique des résultats de l’approche proposée sera ensuite fournie. Les
connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants
qui cache toujours des secrets = Outcomes from the real world, biological data is one of the most studied types of
data, given the vital importance of the knowledge behind this very large and heterogeneous
data. A reliable reduction in the dimensions of the data studied will reduce the complexity
of any learning algorithm used and will help improve the quality of its results.
In this perspective, the proposed approach is based on compression (via linear
techniques (such as ACP) and non-linear (such as ACP to Kernel and Auto-Encoders))
image sequences representing the genetic expression zones during the growth phases of the
embryo of the model species "Edinburgh Mouse".
Then, the extraction of the most relevant characteristics of these image sequences is
ensured via a Convolutive auto-encoder, to finally extract (via the Apriori algorithm) the
most frequent item-sets that represent genes that co-expressed during the development
phases of the embryo of this model species. A biological interpretation of the results of the
proposed approach will then be provided. The knowledge extracted will help biologists
better understand the genome of the living that always hides secrets.
Côte titre : MAI/0810
En ligne : https://drive.google.com/file/d/1QEI2jrrH09z1LkYlNDt8iQhSFIkPMHSd/view?usp=drive [...] Format de la ressource électronique : Extraction des caractéristiques des images d'expression génétique : Comparaison entre les Auto-Encodeurs et l’ACP [texte imprimé] / Adil Hellali, Auteur ; Lahcene Rahmani ; Noureddine Mekroud, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (88 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Bio-informatique
Deep Learning
Auto-Encodeur
Images d’Expression
Génétique
Règles d’Association.Index. décimale : 004 - Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus
étudiées, vu l’importance vitale des connaissances que cachent ces données très
volumineuses et hétérogènes. Une réduction fiable des dimensions des données étudiées
réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la
qualité de ses résultats.
Dans cette perspective, l’approche proposée est basée sur la compression (via des
techniques linéaires (comme l’ACP) et non linéaires (comme l’ACP à Noyau et les AutoEncodeurs)) des séquences d’images représentant les zones expressions génétiques lors des
phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ».
Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences
d’images est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via
l’algorithme Apriori) les item-sets les plus fréquents qui représentent les gènes qui coexpriment durant les phases de développement de l’embryon de cette espèce modèle. Une
interprétation biologique des résultats de l’approche proposée sera ensuite fournie. Les
connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants
qui cache toujours des secrets = Outcomes from the real world, biological data is one of the most studied types of
data, given the vital importance of the knowledge behind this very large and heterogeneous
data. A reliable reduction in the dimensions of the data studied will reduce the complexity
of any learning algorithm used and will help improve the quality of its results.
In this perspective, the proposed approach is based on compression (via linear
techniques (such as ACP) and non-linear (such as ACP to Kernel and Auto-Encoders))
image sequences representing the genetic expression zones during the growth phases of the
embryo of the model species "Edinburgh Mouse".
Then, the extraction of the most relevant characteristics of these image sequences is
ensured via a Convolutive auto-encoder, to finally extract (via the Apriori algorithm) the
most frequent item-sets that represent genes that co-expressed during the development
phases of the embryo of this model species. A biological interpretation of the results of the
proposed approach will then be provided. The knowledge extracted will help biologists
better understand the genome of the living that always hides secrets.
Côte titre : MAI/0810
En ligne : https://drive.google.com/file/d/1QEI2jrrH09z1LkYlNDt8iQhSFIkPMHSd/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0810 MAI/0810 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Extraction des règles d'association en logique évidentielle : Modélisation des distances adéquates aux données d'expression génétique Type de document : texte imprimé Auteurs : Imene Loukia, Auteur ; Mariam Sidibe, Auteur ; Noureddine Mekroud, Directeur de thèse Année de publication : 2022 Importance : 1 vol (76 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
La théorie de croyance de Dempster Shafer est une théorie mathématique basée sur la
notion de preuves utilisant les fonctions de crédibilité et plausibilité. Cette théorie permet
de combiner des preuves distinctes, elle a un fort impact sur les méthodes de fouille de
données, elle peut être adaptée pour modéliser l'extraction des règles d'association.
Dans ce contexte, notre approche consiste à l'extraction des règles d'association évidentielles
à partir des séquences des images d'expression génétique de l'embryon de l'espèce
modèle Edinburg Mouse . Plusieurs techniques ont été utilisées pour réduire la complexit
é de l'algorithme. Il s'agit d'abord du prétraitement des images, ensuite la représentation
de l'imperfection des données traitées suivant le concept évidentiel, en dé nissant
ainsi une fonction de masse de chaque attribut pour la génération des itemset évidentiels.
Puis, la génération des règles d'association évidentielles suivant des seuils adéquats pour
chaque paramètre de l'algorithme proposé.
Pour mesurer intérêt des règles d'association extraites coté nouveauté des connaissances
nous avons proposé deux formes de distance : une distance euclidienne entre les zones
d'expression génétique (en primal) et une distance de Khi-Deux entre les gènes qui coexpriment
(en dual). En n une interprétation biologique via la plateforme string-db.org
est fournie pour aider les biologistes à bien exploiter les connaissances extraites.Côte titre : MAI/0566 En ligne : https://drive.google.com/file/d/1KVX2vadolcEwmwyMh_oqK4DPPg7pj28B/view?usp=share [...] Format de la ressource électronique : Extraction des règles d'association en logique évidentielle : Modélisation des distances adéquates aux données d'expression génétique [texte imprimé] / Imene Loukia, Auteur ; Mariam Sidibe, Auteur ; Noureddine Mekroud, Directeur de thèse . - 2022 . - 1 vol (76 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
La théorie de croyance de Dempster Shafer est une théorie mathématique basée sur la
notion de preuves utilisant les fonctions de crédibilité et plausibilité. Cette théorie permet
de combiner des preuves distinctes, elle a un fort impact sur les méthodes de fouille de
données, elle peut être adaptée pour modéliser l'extraction des règles d'association.
Dans ce contexte, notre approche consiste à l'extraction des règles d'association évidentielles
à partir des séquences des images d'expression génétique de l'embryon de l'espèce
modèle Edinburg Mouse . Plusieurs techniques ont été utilisées pour réduire la complexit
é de l'algorithme. Il s'agit d'abord du prétraitement des images, ensuite la représentation
de l'imperfection des données traitées suivant le concept évidentiel, en dé nissant
ainsi une fonction de masse de chaque attribut pour la génération des itemset évidentiels.
Puis, la génération des règles d'association évidentielles suivant des seuils adéquats pour
chaque paramètre de l'algorithme proposé.
Pour mesurer intérêt des règles d'association extraites coté nouveauté des connaissances
nous avons proposé deux formes de distance : une distance euclidienne entre les zones
d'expression génétique (en primal) et une distance de Khi-Deux entre les gènes qui coexpriment
(en dual). En n une interprétation biologique via la plateforme string-db.org
est fournie pour aider les biologistes à bien exploiter les connaissances extraites.Côte titre : MAI/0566 En ligne : https://drive.google.com/file/d/1KVX2vadolcEwmwyMh_oqK4DPPg7pj28B/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0566 MAI/0566 Mémoire Bibliothéque des sciences Français Disponible
DisponibleIntégration des techniques de Machine Learning dans la gestion des connaissances des entreprises / Abla Seghir
Titre : Intégration des techniques de Machine Learning dans la gestion des connaissances des entreprises Type de document : document électronique Auteurs : Abla Seghir, Auteur ; Hadjer Alem, Auteur ; Noureddine Mekroud, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2024 Importance : 1 vol (93 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Gestion des connaissances
Raisonnement à Partir de Cas
Apprentissage automatique
Maintenance industrielle
ACP
KPPVIndex. décimale : 004 Informatique Résumé :
Recourir aux solutions des cas précédents similaires est un réflexe puissant et extrêmement naturel. La réutilisation des expériences passées dans la résolution de nouveaux problèmes est l'objectif de ce mode de raisonnement, car il est évident et légitime que les problèmes similaires auront des solutions similaires et qu'on se retrouve souvent face à un problème que l'on a déjà vécu. À l'heure actuelle, le raisonnement basé sur des cas (Rà PC) est considéré comme l'une des méthodes les plus sûres pour tirer parti des connaissances. Dans les différentes étapes de son cycle, il est possible de combiner le Rà PC avec les techniques puissantes du Machine Learning, puisque le plus grand objectif de l’intelligence artificielle consiste à permettre à un ordinateur de reproduire le raisonnement humain.
Dans ce mémoire, une solution hybride, Rà PC et Machine Learning, a été proposée pour le diagnostic des pannes. Cette solution repose sur l'application du l'algorithme de la réduction de dimensionnalité "ACP" pour visualiser le nuage de points des anciens cas de pannes, pour ensuite positionner un point dans cet espace réduit représentant la nouvelle panne. Une hybridation des processus "Rà PC-KNN" a était proposée pour rechercher les anciens cas similaires aux nouvelles pannes à remédier, en utilisant des distances adéquates suivant le type de chaque descripteur de panne. L’implémentation de l’approche proposée à aboutie au développement d’un SGMAO intelligent, aidant à améliorer les performances des interventions de maintenance industrielle effectuées.Note de contenu :
Sommaire
Introduction générale ............................................................................................................... 9
Chapitre 1 : Les connaissances dans l’entreprise & Domaine d’application
Introduction .............................................................................................................................. 10
Partie 1 : La connaissance et ses formes de modélisation et de manipulation
1. La connaissance dans l’entreprise ...................................................................................... 11
1.1. Définition ................................................................................................................... 11
1.2. La différence entre donnée-information-connaissance-compétence ........................... 11
1.3. La connaissance comme richesse-capital .................................................................... 12
1.4. Problème de conserver la connaissance dans l’entreprise ........................................... 14
2. Les formes de modélisation-manipulation de la connaissance .......................................... 14
2.1. La gestion des connaissances : définition et méthodes ............................................... 14
2.2. L’ingénierie des connaissances : définition et méthodes ............................................ 15
2.3. L’extraction des connaissances : définition et méthodes ............................................ 17
Partie 2 : Domaine d’application : La maintenance industrielle
1. L’importance de la maintenance dans l’entreprise ............................................................ 19
2. Quelques définitions .......................................................................................................... 19
3. Les objectifs de la maintenance ........................................................................................ 20
3.1. Les objectifs financiers ................................................................................................ 21
3.2. Les objectifs opérationnels .......................................................................................... 21
4. Facteurs qui encouragent le développement du besoin de maintenir ................................. 21
5. Typologie de la maintenance ............................................................................................. 21
5.1. La maintenance corrective .......................................................................................... 22
5.2. La maintenance préventive .......................................................................................... 23
5.3. La maintenance proactive ............................................................................................ 23
5.4. La maintenance améliorative ...................................................................................... 23
6. Niveaux de maintenance .................................................................................................... 24
7. Politiques et stratégie de maintenance................................................................................ 24
8. Analyse du système de maintenance .................................................................................. 25
8.1. Les missions du service maintenance .......................................................................... 25
8.2. Les fonctions d’un système de maintenance ............................................................... 25
8.3. Les systèmes d’information et la maintenance ............................................................ 25
8.4. Les SGMAO et l’aide à la décision : les systèmes experts ......................................... 26
9. L’apprentissage dans les systèmes de maintenance ........................................................... 27
10. La méthodologie AMDEC ................................................................................................ 27
10.1. Définition ................................................................................................................... 27
10.2. Types d’ AMDEC ...................................................................................................... 28
Conclusion ............................................................................................................................... 28
Chapitre 2 : Outils de modélisation & Plateformes
Introduction .............................................................................................................................. 29
Partie 1 : Le résonnement à partir de cas
1. Approche du raisonnement à partir de cas ........................................................................ 30
2. Cycle du raisonnement à partir de cas ............................................................................... 30
2.1. L’élaboration ............................................................................................................... 31
2.2. La remémoration .......................................................................................................... 31
2.3. L’adaptation ................................................................................................................. 32
2.4. La révision ................................................................................................................... 32
2.5. La mémorisation .......................................................................................................... 33
3. Représentation des cas ...................................................................................................... 33
3.1. Définition du cas ......................................................................................................... 34
3.2. Structure du cas .......................................................................................................... 34
3.3. Indexation du cas .............................................................................................................. 35
4. Les composants d’un système Rà PC ................................................................................. 35
5. Avantages et inconvénients du Rà PC ................................................................................. 36
5.1. Les avantages .............................................................................................................. 36
5.2. Les inconvénients ....................................................................................................... 37
6. Etat de l’art et plateformes du Rà PC ................................................................................. 37
6.1. JColibri ....................................................................................................................... 38
6.2. MyCBR ....................................................................................................................... 40
7. Domaines d’application du Rà PC ..................................................................................... 41
7.1. Typologie d’applications ............................................................................................ 41
7.2. Notre domaine : la maintenance industrielle .............................................................. 42
7.3. Modèle de conception des systèmes de Rà PC dédiés au diagnostic .......................... 43
Partie 2 : L’extraction des connaissances : Machine Learning
1. La révolution du Machine Learning .................................................................................. 44
2. Définition du Machine Learning ....................................................................................... 44
3. Pourquoi utiliser le Machine Learning ? ............................................................................ 45
4. Etapes du Machine Learning .............................................................................................. 45
5. Les algorithmes de Machine Learning ............................................................................... 46
5.1. Selon le type de données en entrée .............................................................................. 46
5.1.1. Algorithmes d’apprentissage supervisé ............................................................... 47
5.1.2. Algorithmes d’apprentissage non-supervisé ....................................................... 48
5.1.3. Algorithmes d’apprentissage semi-supervisé ...................................................... 50
5.1.4. Algorithmes d’apprentissage par renforcement .................................................. 51
5.2. Selon l’objectif ............................................................................................................ 51
5.2.1. Algorithmes pour la détection d’anomalies ......................................................... 51
5.2.2. Algorithmes de classification ............................................................................... 51
5.2.3. Algorithmes de regroupement (Clustering) ......................................................... 52
5.2.4. Algorithmes de régression ................................................................................... 52
5.2.5. Algorithmes pour la réduction de dimensionnalité .............................................. 52
Conclusion ............................................................................................................................... 54
Chapitre 3 : Modélisation de l’Approche Proposée
Introduction .............................................................................................................................. 55
Partie 1 : Techniques et méthodes utilisées dans notre approche
1. Quelques techniques de prétraitement des données ........................................................... 56
1.1. Traitement des valeurs manquantes et aberrants ......................................................... 56
1.2. Réduction des dimensions .......................................................................................... 58
2. Quelques techniques de modélisation ................................................................................ 61
2.1. Choix de distances ..................................................................................................... 61
2.2. Pondération des attributs ............................................................................................ 62
2.3. Logique de classification : binaire, floue ................................................................... 63
3. K-Plus Proches Voisins ...................................................................................................... 64
3.1. Définition ................................................................................................................... 64
3.2. Algorithme de classification par k-PPV ..................................................................... 65
3.3. Critères de la méthode ................................................................................................ 66
Partie 2 : Approche Proposée
1. Etat de l’art ET Critique des travaux antécédents .............................................................. 67
2. Contribution ....................................................................................................................... 68
3. Pseudo algorithme de l’approche proposée ........................................................................ 68
Conclusion ............................................................................................................................... 71
CHAPITRE 4 : Implémentation de l’approche & Discussion des résultats
Introduction .............................................................................................................................. 72
1. Les outils de développement .............................................................................................. 73
2. Les bibliothèques utilisées ................................................................................................ 73
3. La plateforme d’aide au diagnostic proposée ..................................................................... 74
3.1. La machine de démonstration ..................................................................................... 74
3.2. Implémentation ............................................................................................................ 76
3.3. Analyse des résultats ................................................................................................... 80
Conclusion ............................................................................................................................... 83
Conclusion générale ............................................................................................................... 84
Bibliographie ........................................................................................................................... 85
Webographie ........................................................................................................................... 90
Résumé ................................ ................................ ................................ ................................ .... 92
Abstract .................................................................................................................................. 92Côte titre : MAI/0939 Intégration des techniques de Machine Learning dans la gestion des connaissances des entreprises [document électronique] / Abla Seghir, Auteur ; Hadjer Alem, Auteur ; Noureddine Mekroud, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2024 . - 1 vol (93 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Gestion des connaissances
Raisonnement à Partir de Cas
Apprentissage automatique
Maintenance industrielle
ACP
KPPVIndex. décimale : 004 Informatique Résumé :
Recourir aux solutions des cas précédents similaires est un réflexe puissant et extrêmement naturel. La réutilisation des expériences passées dans la résolution de nouveaux problèmes est l'objectif de ce mode de raisonnement, car il est évident et légitime que les problèmes similaires auront des solutions similaires et qu'on se retrouve souvent face à un problème que l'on a déjà vécu. À l'heure actuelle, le raisonnement basé sur des cas (Rà PC) est considéré comme l'une des méthodes les plus sûres pour tirer parti des connaissances. Dans les différentes étapes de son cycle, il est possible de combiner le Rà PC avec les techniques puissantes du Machine Learning, puisque le plus grand objectif de l’intelligence artificielle consiste à permettre à un ordinateur de reproduire le raisonnement humain.
Dans ce mémoire, une solution hybride, Rà PC et Machine Learning, a été proposée pour le diagnostic des pannes. Cette solution repose sur l'application du l'algorithme de la réduction de dimensionnalité "ACP" pour visualiser le nuage de points des anciens cas de pannes, pour ensuite positionner un point dans cet espace réduit représentant la nouvelle panne. Une hybridation des processus "Rà PC-KNN" a était proposée pour rechercher les anciens cas similaires aux nouvelles pannes à remédier, en utilisant des distances adéquates suivant le type de chaque descripteur de panne. L’implémentation de l’approche proposée à aboutie au développement d’un SGMAO intelligent, aidant à améliorer les performances des interventions de maintenance industrielle effectuées.Note de contenu :
Sommaire
Introduction générale ............................................................................................................... 9
Chapitre 1 : Les connaissances dans l’entreprise & Domaine d’application
Introduction .............................................................................................................................. 10
Partie 1 : La connaissance et ses formes de modélisation et de manipulation
1. La connaissance dans l’entreprise ...................................................................................... 11
1.1. Définition ................................................................................................................... 11
1.2. La différence entre donnée-information-connaissance-compétence ........................... 11
1.3. La connaissance comme richesse-capital .................................................................... 12
1.4. Problème de conserver la connaissance dans l’entreprise ........................................... 14
2. Les formes de modélisation-manipulation de la connaissance .......................................... 14
2.1. La gestion des connaissances : définition et méthodes ............................................... 14
2.2. L’ingénierie des connaissances : définition et méthodes ............................................ 15
2.3. L’extraction des connaissances : définition et méthodes ............................................ 17
Partie 2 : Domaine d’application : La maintenance industrielle
1. L’importance de la maintenance dans l’entreprise ............................................................ 19
2. Quelques définitions .......................................................................................................... 19
3. Les objectifs de la maintenance ........................................................................................ 20
3.1. Les objectifs financiers ................................................................................................ 21
3.2. Les objectifs opérationnels .......................................................................................... 21
4. Facteurs qui encouragent le développement du besoin de maintenir ................................. 21
5. Typologie de la maintenance ............................................................................................. 21
5.1. La maintenance corrective .......................................................................................... 22
5.2. La maintenance préventive .......................................................................................... 23
5.3. La maintenance proactive ............................................................................................ 23
5.4. La maintenance améliorative ...................................................................................... 23
6. Niveaux de maintenance .................................................................................................... 24
7. Politiques et stratégie de maintenance................................................................................ 24
8. Analyse du système de maintenance .................................................................................. 25
8.1. Les missions du service maintenance .......................................................................... 25
8.2. Les fonctions d’un système de maintenance ............................................................... 25
8.3. Les systèmes d’information et la maintenance ............................................................ 25
8.4. Les SGMAO et l’aide à la décision : les systèmes experts ......................................... 26
9. L’apprentissage dans les systèmes de maintenance ........................................................... 27
10. La méthodologie AMDEC ................................................................................................ 27
10.1. Définition ................................................................................................................... 27
10.2. Types d’ AMDEC ...................................................................................................... 28
Conclusion ............................................................................................................................... 28
Chapitre 2 : Outils de modélisation & Plateformes
Introduction .............................................................................................................................. 29
Partie 1 : Le résonnement à partir de cas
1. Approche du raisonnement à partir de cas ........................................................................ 30
2. Cycle du raisonnement à partir de cas ............................................................................... 30
2.1. L’élaboration ............................................................................................................... 31
2.2. La remémoration .......................................................................................................... 31
2.3. L’adaptation ................................................................................................................. 32
2.4. La révision ................................................................................................................... 32
2.5. La mémorisation .......................................................................................................... 33
3. Représentation des cas ...................................................................................................... 33
3.1. Définition du cas ......................................................................................................... 34
3.2. Structure du cas .......................................................................................................... 34
3.3. Indexation du cas .............................................................................................................. 35
4. Les composants d’un système Rà PC ................................................................................. 35
5. Avantages et inconvénients du Rà PC ................................................................................. 36
5.1. Les avantages .............................................................................................................. 36
5.2. Les inconvénients ....................................................................................................... 37
6. Etat de l’art et plateformes du Rà PC ................................................................................. 37
6.1. JColibri ....................................................................................................................... 38
6.2. MyCBR ....................................................................................................................... 40
7. Domaines d’application du Rà PC ..................................................................................... 41
7.1. Typologie d’applications ............................................................................................ 41
7.2. Notre domaine : la maintenance industrielle .............................................................. 42
7.3. Modèle de conception des systèmes de Rà PC dédiés au diagnostic .......................... 43
Partie 2 : L’extraction des connaissances : Machine Learning
1. La révolution du Machine Learning .................................................................................. 44
2. Définition du Machine Learning ....................................................................................... 44
3. Pourquoi utiliser le Machine Learning ? ............................................................................ 45
4. Etapes du Machine Learning .............................................................................................. 45
5. Les algorithmes de Machine Learning ............................................................................... 46
5.1. Selon le type de données en entrée .............................................................................. 46
5.1.1. Algorithmes d’apprentissage supervisé ............................................................... 47
5.1.2. Algorithmes d’apprentissage non-supervisé ....................................................... 48
5.1.3. Algorithmes d’apprentissage semi-supervisé ...................................................... 50
5.1.4. Algorithmes d’apprentissage par renforcement .................................................. 51
5.2. Selon l’objectif ............................................................................................................ 51
5.2.1. Algorithmes pour la détection d’anomalies ......................................................... 51
5.2.2. Algorithmes de classification ............................................................................... 51
5.2.3. Algorithmes de regroupement (Clustering) ......................................................... 52
5.2.4. Algorithmes de régression ................................................................................... 52
5.2.5. Algorithmes pour la réduction de dimensionnalité .............................................. 52
Conclusion ............................................................................................................................... 54
Chapitre 3 : Modélisation de l’Approche Proposée
Introduction .............................................................................................................................. 55
Partie 1 : Techniques et méthodes utilisées dans notre approche
1. Quelques techniques de prétraitement des données ........................................................... 56
1.1. Traitement des valeurs manquantes et aberrants ......................................................... 56
1.2. Réduction des dimensions .......................................................................................... 58
2. Quelques techniques de modélisation ................................................................................ 61
2.1. Choix de distances ..................................................................................................... 61
2.2. Pondération des attributs ............................................................................................ 62
2.3. Logique de classification : binaire, floue ................................................................... 63
3. K-Plus Proches Voisins ...................................................................................................... 64
3.1. Définition ................................................................................................................... 64
3.2. Algorithme de classification par k-PPV ..................................................................... 65
3.3. Critères de la méthode ................................................................................................ 66
Partie 2 : Approche Proposée
1. Etat de l’art ET Critique des travaux antécédents .............................................................. 67
2. Contribution ....................................................................................................................... 68
3. Pseudo algorithme de l’approche proposée ........................................................................ 68
Conclusion ............................................................................................................................... 71
CHAPITRE 4 : Implémentation de l’approche & Discussion des résultats
Introduction .............................................................................................................................. 72
1. Les outils de développement .............................................................................................. 73
2. Les bibliothèques utilisées ................................................................................................ 73
3. La plateforme d’aide au diagnostic proposée ..................................................................... 74
3.1. La machine de démonstration ..................................................................................... 74
3.2. Implémentation ............................................................................................................ 76
3.3. Analyse des résultats ................................................................................................... 80
Conclusion ............................................................................................................................... 83
Conclusion générale ............................................................................................................... 84
Bibliographie ........................................................................................................................... 85
Webographie ........................................................................................................................... 90
Résumé ................................ ................................ ................................ ................................ .... 92
Abstract .................................................................................................................................. 92Côte titre : MAI/0939 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0939 MAI/0939 Mémoire Bibliothéque des sciences Français Disponible
Disponible
