Cyberbullying detection in social media using machine learning and deep learning / Hanene Atek

Public ISBD Titre : Cyberbullying detection in social media using machine learning and deep learning Type de document : texte imprimé Auteurs : Hanene Atek, Auteur ; Boutheyna Mehanni, Auteur ; Fouaz Berrhail, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (80 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Côte titre : MAI/0785 Cyberbullying detection in social media using machine learning and deep learning [texte imprimé] / Hanene Atek, Auteur ; Boutheyna Mehanni, Auteur ; Fouaz Berrhail, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (80 f.) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Côte titre : MAI/0785

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0785	MAI/0785	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

Développement d’une approche pour la prédiction de l'activité biologique des composés chimiques et l'amélioration des performances du processus de recherche dans les bases de données chimiques, à la base de l’intelligence artificielle / Nada Safsaf  

Public ISBD Titre : Développement d’une approche pour la prédiction de l'activité biologique des composés chimiques et l'amélioration des performances du processus de recherche dans les bases de données chimiques, à la base de l’intelligence artificielle Type de document : texte imprimé Auteurs : Nada Safsaf, Auteur ; Ismahan Mellaz ; Fouaz Berrhail, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Prédiction de l’activité biologique Recherche de bases de données chimiques LBVS, Intelligence artificielle Apprentissage profond Fingerprints 2D Découverte de médicaments. Index. décimale : 004 - Informatique Résumé : Prédire l'activité biologique des molécules et accélérer le processus de découverte de médicaments sont des défis majeurs dans la recherche pharmaceutique, dans cette étude, nous avons abordé ces enjeux en développant et en évaluant plusieurs modèles de classification. Notre contribution dans ce travail consiste à évaluer l’utilisation de modèles de machine Learning tels que : SVM, NB, et des modèles Deep Learning tels que : CNN, RNN. Nous nous concentrons sur les réseaux neuronaux convolutionnels (CNN) et de machines à vecteurs de support (SVM) pour prédire l'activité biologiques des molécules étudiées, Les CNN, qui exploitent l'apprentissage profond, se sont révélés efficaces pour analyser les données structurées, telles que les représentations moléculaires, ils ont permis de détecter des motifs complexes et d'apprendre les relations entre les caractéristiques des composés et leur activité biologique. Parallèlement, les SVM, en tant qu'algorithmes d'apprentissage automatique adaptés à la classification binaire, ont contribué à séparer les composés actifs des inactifs. Dans le cadre de notre étude, nous avons également exploré les performances des classificateurs naïfs bayésiens (NB) et réseau de neurones récurrents (RNN), afin d'évaluer leur pertinence dans la prédiction de l'activité biologique des molécules. Afin de tester et évaluer notre approche, nous avons effectué la partie expérimentation sur les ensembles de données MDDR (MDL Drug Data Report), trois data sets sont utilisées exemples Alog_P, CDK, et Graph_Only. Les résultats obtenus ont été extrêmement prometteurs, démontrant l'efficacité remarquable de nos modèles de CNN et de SVM dans la prédiction de l'activité biologique des molécules, les performances en termes de précision, de rappel et d'exactitude ont été remarquables, ouvrant ainsi de nouvelles perspectives pour améliorer la sélection des candidats médicamenteux = Predicting the biological activity of molecules and accelerating the Drug Discovery process are major challenges in pharmaceutical research; in this study, we addressed these issues by developing and evaluating several classification models. Our contribution in this work consists in evaluating the use of Machine Learning models such as: SVM, NB, and Deep Learning models such as : CNN, RNN. Focusing on Convolutional Neural Networks (CNN) and Support Vector Machines (SVM) to predict the activity of the molecules. The CNNs, which exploit deep learning, proved effective in analyzing structured data, such as molecular representations, detecting complex patterns and learning relationships between compound features and their biological activity. At the same time, SVMs, as machine learning algorithms adapted to binary classification, have helped separate active from inactive compounds. As part of our study, we also explored the performance of naive Bayesian (NB) and recurrent neural network (RNN) classifiers, to assess their relevance in predicting the biological activity of molecules. In order to test and evaluate our approach, we performed the experimentation part on the MDDR datasets (MDL Drug Data Report), three datasets have used as examples Alog_P, CDK, and Graph_Only The obtained results were extremely promising, demonstrating the remarkable effectiveness of our CNN and SVM models in predicting the biological activity of molecules. Performance in terms of precision, recall and accuracy was remarkable, opening up new prospects for improving the selection of drug candidates. Côte titre : MAI/0778 En ligne : https://drive.google.com/file/d/1Py4WchKQkliAokEHNMQFKiN_NfzaZtUl/view?usp=drive [...] Format de la ressource électronique : pdf Développement d’une approche pour la prédiction de l'activité biologique des composés chimiques et l'amélioration des performances du processus de recherche dans les bases de données chimiques, à la base de l’intelligence artificielle [texte imprimé] / Nada Safsaf, Auteur ; Ismahan Mellaz ; Fouaz Berrhail, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (f.) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Prédiction de l’activité biologique Recherche de bases de données chimiques LBVS, Intelligence artificielle Apprentissage profond Fingerprints 2D Découverte de médicaments. Index. décimale : 004 - Informatique Résumé : Prédire l'activité biologique des molécules et accélérer le processus de découverte de médicaments sont des défis majeurs dans la recherche pharmaceutique, dans cette étude, nous avons abordé ces enjeux en développant et en évaluant plusieurs modèles de classification. Notre contribution dans ce travail consiste à évaluer l’utilisation de modèles de machine Learning tels que : SVM, NB, et des modèles Deep Learning tels que : CNN, RNN. Nous nous concentrons sur les réseaux neuronaux convolutionnels (CNN) et de machines à vecteurs de support (SVM) pour prédire l'activité biologiques des molécules étudiées, Les CNN, qui exploitent l'apprentissage profond, se sont révélés efficaces pour analyser les données structurées, telles que les représentations moléculaires, ils ont permis de détecter des motifs complexes et d'apprendre les relations entre les caractéristiques des composés et leur activité biologique. Parallèlement, les SVM, en tant qu'algorithmes d'apprentissage automatique adaptés à la classification binaire, ont contribué à séparer les composés actifs des inactifs. Dans le cadre de notre étude, nous avons également exploré les performances des classificateurs naïfs bayésiens (NB) et réseau de neurones récurrents (RNN), afin d'évaluer leur pertinence dans la prédiction de l'activité biologique des molécules. Afin de tester et évaluer notre approche, nous avons effectué la partie expérimentation sur les ensembles de données MDDR (MDL Drug Data Report), trois data sets sont utilisées exemples Alog_P, CDK, et Graph_Only. Les résultats obtenus ont été extrêmement prometteurs, démontrant l'efficacité remarquable de nos modèles de CNN et de SVM dans la prédiction de l'activité biologique des molécules, les performances en termes de précision, de rappel et d'exactitude ont été remarquables, ouvrant ainsi de nouvelles perspectives pour améliorer la sélection des candidats médicamenteux = Predicting the biological activity of molecules and accelerating the Drug Discovery process are major challenges in pharmaceutical research; in this study, we addressed these issues by developing and evaluating several classification models. Our contribution in this work consists in evaluating the use of Machine Learning models such as: SVM, NB, and Deep Learning models such as : CNN, RNN. Focusing on Convolutional Neural Networks (CNN) and Support Vector Machines (SVM) to predict the activity of the molecules. The CNNs, which exploit deep learning, proved effective in analyzing structured data, such as molecular representations, detecting complex patterns and learning relationships between compound features and their biological activity. At the same time, SVMs, as machine learning algorithms adapted to binary classification, have helped separate active from inactive compounds. As part of our study, we also explored the performance of naive Bayesian (NB) and recurrent neural network (RNN) classifiers, to assess their relevance in predicting the biological activity of molecules. In order to test and evaluate our approach, we performed the experimentation part on the MDDR datasets (MDL Drug Data Report), three datasets have used as examples Alog_P, CDK, and Graph_Only The obtained results were extremely promising, demonstrating the remarkable effectiveness of our CNN and SVM models in predicting the biological activity of molecules. Performance in terms of precision, recall and accuracy was remarkable, opening up new prospects for improving the selection of drug candidates. Côte titre : MAI/0778 En ligne : https://drive.google.com/file/d/1Py4WchKQkliAokEHNMQFKiN_NfzaZtUl/view?usp=drive [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0778	MAI/0778	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Feature selection approach based on particle swarm optimization algorithm in virtual screening process / Abderrahim Nouioua  

Public ISBD Titre : Feature selection approach based on particle swarm optimization algorithm in virtual screening process Type de document : texte imprimé Auteurs : Abderrahim Nouioua, Auteur ; Fouaz Berrhail, Directeur de thèse Année de publication : 2022 Importance : 1 vol (807 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Ligand-Based Virtual Screening Similarity Searching Index. décimale : 004 Informatique Résumé : In the last years, similarity searching has gained wide popularity as a method for performing ligand-based virtual screening (LBVS). This screening technique functions by making a comparison of the target compound’s features with that of each compound in the database of compounds. The Tanimoto coefficient is employed to determine the similarity between a database structure and a target structure. This coefficient is considered currently the most widely used coefficient in chemical information systems of fingerprint-based similarity.Different techniques can be employed to improve the performances of the virtual screening process. In this work, our main objective is to propose a feature selection approach based on particle swarm optimization algorithm to improve to performance of the screening process in chemical database. Our contribution consist of identify the most important and relevant features of chemical compounds and to minimize their number in their representations. Our proposed method allow at first; the reduction in features space, the elimination of redundancy and the decrease in training run-time, and secondly to boost performances and effectiveness of the screening process. After performing several experiments our approach was able to outperform the standard Tanimoto method, and we were able to increase the effectiveness of the similarity searching methods, by eliminate the irrelevant and redundant features from the dataset. The achieved results given for all data sets at the top 1% and 5% are proof of the reliability of our proposals. Thus, the proposed approach performs better compared to the Tanimoto method. Côte titre : MAI/0572 En ligne : https://drive.google.com/file/d/174OrvQVu7IhVKifrvfjpwUtYToVSpFEd/view?usp=share [...] Format de la ressource électronique : pdf Feature selection approach based on particle swarm optimization algorithm in virtual screening process [texte imprimé] / Abderrahim Nouioua, Auteur ; Fouaz Berrhail, Directeur de thèse . - 2022 . - 1 vol (807 f .) ; 29cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Ligand-Based Virtual Screening Similarity Searching Index. décimale : 004 Informatique Résumé : In the last years, similarity searching has gained wide popularity as a method for performing ligand-based virtual screening (LBVS). This screening technique functions by making a comparison of the target compound’s features with that of each compound in the database of compounds. The Tanimoto coefficient is employed to determine the similarity between a database structure and a target structure. This coefficient is considered currently the most widely used coefficient in chemical information systems of fingerprint-based similarity.Different techniques can be employed to improve the performances of the virtual screening process. In this work, our main objective is to propose a feature selection approach based on particle swarm optimization algorithm to improve to performance of the screening process in chemical database. Our contribution consist of identify the most important and relevant features of chemical compounds and to minimize their number in their representations. Our proposed method allow at first; the reduction in features space, the elimination of redundancy and the decrease in training run-time, and secondly to boost performances and effectiveness of the screening process. After performing several experiments our approach was able to outperform the standard Tanimoto method, and we were able to increase the effectiveness of the similarity searching methods, by eliminate the irrelevant and redundant features from the dataset. The achieved results given for all data sets at the top 1% and 5% are proof of the reliability of our proposals. Thus, the proposed approach performs better compared to the Tanimoto method. Côte titre : MAI/0572 En ligne : https://drive.google.com/file/d/174OrvQVu7IhVKifrvfjpwUtYToVSpFEd/view?usp=share [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0572	MAI/0572	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Réalisation d’un système de détection des maladies végétales au niveau des serres agricoles par l’utilisation des techniques d’intelligence artificielle / seyf eddine Zitouni  

Public ISBD Titre : Réalisation d’un système de détection des maladies végétales au niveau des serres agricoles par l’utilisation des techniques d’intelligence artificielle Type de document : texte imprimé Auteurs : seyf eddine Zitouni, Auteur ; chaima Bourouba, Auteur ; Fouaz Berrhail, Directeur de thèse Année de publication : 2022 Importance : 1 vol (84 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage profond CNN Index. décimale : 004 Informatique Résumé : Dans le secteur agricole, les maladies foliaires constituent un problème majeur qui affecte la production agricole (En particulier le rendement) ainsi que le profit économique. Une détection précoce de ce type des maladies grâce à l’utilisation des techniques et de technologies modernes telles que l’intelligence artificielle et l'apprentissage profond pourrait éviter une telle catastrophe. Dans ce travail nous présentons un système de détection des malades végétales que nous avons réalisé. Ce système est basé principalement sur l’utilisation des réseaux de neurones à convolution (CNN : Convolutional Neural Network), ce dernier est composé de quatre composants qui sont : Services web, Une application mobile, Une base de données et un classificateur à la base d’un réseau de neurones à convolution qui permet classifier et détecter les malades des plantes. L’approche proposée est été formée et testée à l’aide de jeux de données « new plant disease dataset » obtenue à partir de la plateforme kaggle. Ces jeux de données contiennent une variété d’images des plantes touchées par certaines maladies. Par conséquence, notre système réalisé à la base de CNN modèle, a pu reconnaitre les maladies des plantes avec une grande précision de 98%, et un taux de perte de Côte titre : MAI/0630 En ligne : https://drive.google.com/file/d/1LT4RbrfSNU5F8-pMccPl6YtpH0eKG5NT/view?usp=share [...] Format de la ressource électronique : pdf Réalisation d’un système de détection des maladies végétales au niveau des serres agricoles par l’utilisation des techniques d’intelligence artificielle [texte imprimé] / seyf eddine Zitouni, Auteur ; chaima Bourouba, Auteur ; Fouaz Berrhail, Directeur de thèse . - 2022 . - 1 vol (84 f .) ; 29cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage profond CNN Index. décimale : 004 Informatique Résumé : Dans le secteur agricole, les maladies foliaires constituent un problème majeur qui affecte la production agricole (En particulier le rendement) ainsi que le profit économique. Une détection précoce de ce type des maladies grâce à l’utilisation des techniques et de technologies modernes telles que l’intelligence artificielle et l'apprentissage profond pourrait éviter une telle catastrophe. Dans ce travail nous présentons un système de détection des malades végétales que nous avons réalisé. Ce système est basé principalement sur l’utilisation des réseaux de neurones à convolution (CNN : Convolutional Neural Network), ce dernier est composé de quatre composants qui sont : Services web, Une application mobile, Une base de données et un classificateur à la base d’un réseau de neurones à convolution qui permet classifier et détecter les malades des plantes. L’approche proposée est été formée et testée à l’aide de jeux de données « new plant disease dataset » obtenue à partir de la plateforme kaggle. Ces jeux de données contiennent une variété d’images des plantes touchées par certaines maladies. Par conséquence, notre système réalisé à la base de CNN modèle, a pu reconnaitre les maladies des plantes avec une grande précision de 98%, et un taux de perte de Côte titre : MAI/0630 En ligne : https://drive.google.com/file/d/1LT4RbrfSNU5F8-pMccPl6YtpH0eKG5NT/view?usp=share [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0630	MAI/0630	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 4 / 4)