University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Sadik Bessou |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Implémentation d'un outil d'aide aux études anthroponymiques et onomastiques / AL-Absi Suhail,Abdulaziz
Titre : Implémentation d'un outil d'aide aux études anthroponymiques et onomastiques Type de document : texte imprimé Auteurs : AL-Absi Suhail,Abdulaziz, Auteur ; Sadik Bessou, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (52 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : TALN
Linguistique informatique
Anthroponymie
Onomastiques
Toponymie
langue arabeIndex. décimale : 004 Informatique Résumé : Résumé
Les chercheurs en sciences humaines en général, et en particulier les chercheurs en linguistique, anthropologie et noms géographiques, ont besoin d'outils spécifiques répondant à leurs préoccupations quotidiennes. Le thème de cette recherche est «Mettre en place un outil pour aider à étudier les noms de personnes et de régions». Le but de cette étude est de concevoir et mettre en œuvre une application pour les anthropologues, et onomasticien. L'application inclut les caractéristiques classiques des systèmes d'information et des bases de données, mais aussi des fonctionnalités qui relèvent de l'intelligence artificielle et de la linguistique computationnelle pour dériver des relations entre différentes personnes dans la base de données. Une autre caractéristique est la présentation des données sous la forme de graphiques par structure arborescente, les arbres généalogiques peuvent être trouvés avec beaucoup de données.Note de contenu :
Sommaire
Chapitre01 : Anthroponymiques et onomastiques
1. Introduction : ...................................................................................................................... 6
2. Notions fondamentaux: ...................................................................................................... 6
2.1. Le prénom : .................................................................................................................. 6
2.2. Le nom de famille : ....................................................................................................... 6
2.3. L’ethnonyme : .............................................................................................................. 7
2.5. La lexicologie : .............................................................................................................. 7
2.6. La sémantique : ............................................................................................................ 7
3. Nom propre : ....................................................................................................................... 8
4. L’onomastique : .................................................................................................................. 9
4.1. Les branches de l’onomastique : ............................................................................... 10
4.2. La Toponymie : ........................................................................................................... 11
4.3. Méthodes de l’onomastique : ................................................................................... 12
4.3.1.La première méthode est directe: ........................................................................... 12
4.3.2.La méthode indirecte des aires ou de concordance: ............................................... 12
5. Conclusion : ....................................................................................................................... 13
Chapitre02: Traitement automatique du langage naturel (TALN)
1. Introduction : .................................................................................................................... 14
2. Notions fondamentaux: .................................................................................................... 14
2.1. Linguistiques informatiques “sciences du langage’’ : ................................................ 14
2.2. Données linguistiques (ou bases d'informations textuelles) : ...................................
15 2.3. Automatique : ............................................................................................................ 15
2.4. Traitement :................................................................................................................ 15
3. Qu’est-ce que le traitement automatique du langage naturel (TALN) : .......................... 16
4. L'objectif du traitement automatique des langues naturelles : ....................................... 16
4.1. L’analyse VS La génération: ...................................................................................... 17
5. Domaine des applications du TALN : ................................................................................ 18
6. Les différents niveaux d’analyse en TALN : ...................................................................... 18
6.1. Analyse morpho-lexicale : .......................................................................................... 19
6.2. Analyse syntaxique : ................................................................................................... 20
6.3. Analyse sémantique : ................................................................................................. 21
6.4. Analyse contextuelle : ................................................................................................ 21
7. Les difficultés du TALN : ambiguïté et implicite: .............................................................. 21
7.1. Ambiguïté : ................................................................................................................. 22
7.2. Implicite : .................................................................................................................... 22
8. Base de connaissance: ...................................................................................................... 23
9. Conclusion : ....................................................................................................................... 23
Chapitre03:Conception
1. Introduction : .................................................................................................................... 24
2. Présentation de l’application : .......................................................................................... 24
2.1. Conception de la base de donné: .............................................................................. 24
2.2. Déroulement de son utilisation : ............................................................................... 25
3. Conclusion : ................................................................................................. 31
Chapitre04:Réalisation
1. Introduction : ..............................................................................
Erreur ! Signet non défini.
2. Environnement logiciel et matériel de développement : .........
2.1. Environnement du matériel : ...........................................
2.2. Environnement du logiciel : ...............................................
3. Implémentation de l’application : .................................................................................... 33
3.1. Implémentation de base de données : ...................................................................... 33
3.2. L’accueil de l’application: ........................................................................................... 33
3.3. Implémentation des arbres généalogiques : .............................................................. 38
4. Conclusion : .......................................................................................................................Côte titre : MAI/0238 En ligne : https://drive.google.com/file/d/1tnPWqojyFDa34-C2k1o-m1U-1yCzHa1Y/view?usp=shari [...] Format de la ressource électronique : Implémentation d'un outil d'aide aux études anthroponymiques et onomastiques [texte imprimé] / AL-Absi Suhail,Abdulaziz, Auteur ; Sadik Bessou, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (52 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : TALN
Linguistique informatique
Anthroponymie
Onomastiques
Toponymie
langue arabeIndex. décimale : 004 Informatique Résumé : Résumé
Les chercheurs en sciences humaines en général, et en particulier les chercheurs en linguistique, anthropologie et noms géographiques, ont besoin d'outils spécifiques répondant à leurs préoccupations quotidiennes. Le thème de cette recherche est «Mettre en place un outil pour aider à étudier les noms de personnes et de régions». Le but de cette étude est de concevoir et mettre en œuvre une application pour les anthropologues, et onomasticien. L'application inclut les caractéristiques classiques des systèmes d'information et des bases de données, mais aussi des fonctionnalités qui relèvent de l'intelligence artificielle et de la linguistique computationnelle pour dériver des relations entre différentes personnes dans la base de données. Une autre caractéristique est la présentation des données sous la forme de graphiques par structure arborescente, les arbres généalogiques peuvent être trouvés avec beaucoup de données.Note de contenu :
Sommaire
Chapitre01 : Anthroponymiques et onomastiques
1. Introduction : ...................................................................................................................... 6
2. Notions fondamentaux: ...................................................................................................... 6
2.1. Le prénom : .................................................................................................................. 6
2.2. Le nom de famille : ....................................................................................................... 6
2.3. L’ethnonyme : .............................................................................................................. 7
2.5. La lexicologie : .............................................................................................................. 7
2.6. La sémantique : ............................................................................................................ 7
3. Nom propre : ....................................................................................................................... 8
4. L’onomastique : .................................................................................................................. 9
4.1. Les branches de l’onomastique : ............................................................................... 10
4.2. La Toponymie : ........................................................................................................... 11
4.3. Méthodes de l’onomastique : ................................................................................... 12
4.3.1.La première méthode est directe: ........................................................................... 12
4.3.2.La méthode indirecte des aires ou de concordance: ............................................... 12
5. Conclusion : ....................................................................................................................... 13
Chapitre02: Traitement automatique du langage naturel (TALN)
1. Introduction : .................................................................................................................... 14
2. Notions fondamentaux: .................................................................................................... 14
2.1. Linguistiques informatiques “sciences du langage’’ : ................................................ 14
2.2. Données linguistiques (ou bases d'informations textuelles) : ...................................
15 2.3. Automatique : ............................................................................................................ 15
2.4. Traitement :................................................................................................................ 15
3. Qu’est-ce que le traitement automatique du langage naturel (TALN) : .......................... 16
4. L'objectif du traitement automatique des langues naturelles : ....................................... 16
4.1. L’analyse VS La génération: ...................................................................................... 17
5. Domaine des applications du TALN : ................................................................................ 18
6. Les différents niveaux d’analyse en TALN : ...................................................................... 18
6.1. Analyse morpho-lexicale : .......................................................................................... 19
6.2. Analyse syntaxique : ................................................................................................... 20
6.3. Analyse sémantique : ................................................................................................. 21
6.4. Analyse contextuelle : ................................................................................................ 21
7. Les difficultés du TALN : ambiguïté et implicite: .............................................................. 21
7.1. Ambiguïté : ................................................................................................................. 22
7.2. Implicite : .................................................................................................................... 22
8. Base de connaissance: ...................................................................................................... 23
9. Conclusion : ....................................................................................................................... 23
Chapitre03:Conception
1. Introduction : .................................................................................................................... 24
2. Présentation de l’application : .......................................................................................... 24
2.1. Conception de la base de donné: .............................................................................. 24
2.2. Déroulement de son utilisation : ............................................................................... 25
3. Conclusion : ................................................................................................. 31
Chapitre04:Réalisation
1. Introduction : ..............................................................................
Erreur ! Signet non défini.
2. Environnement logiciel et matériel de développement : .........
2.1. Environnement du matériel : ...........................................
2.2. Environnement du logiciel : ...............................................
3. Implémentation de l’application : .................................................................................... 33
3.1. Implémentation de base de données : ...................................................................... 33
3.2. L’accueil de l’application: ........................................................................................... 33
3.3. Implémentation des arbres généalogiques : .............................................................. 38
4. Conclusion : .......................................................................................................................Côte titre : MAI/0238 En ligne : https://drive.google.com/file/d/1tnPWqojyFDa34-C2k1o-m1U-1yCzHa1Y/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0238 MAI/0238 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Machine Learning and Deep Learning Approach for Arabic Sentiment Analysis Type de document : texte imprimé Auteurs : Laroug,Madjda Ines, Auteur ; Sadik Bessou, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (68 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Traitement du Langage Naturel
Analyse des Sentiments
Sélection de FonctionnalitésIndex. décimale : 004 - Informatique Résumé :
La classification de texte est une application incroyablement utile de l’apprentissage automatique
et de l’apprentissage en profondeur. Elle consiste à attribuer un document textuel à une
classe. Aujourd’hui, l’analyse des sentiments est l’un des domaines de recherche à la croissance
la plus rapide en informatique, mais il manque actuellement encore l’interprétation de la
1
langue arabe. Par conséquent, nous créons un nouvel ensemble de données de commentaires et
de publications en arabe et résolvons des problèmes de classification binaire et quadruple.
Dans cette thèse, nous présentons les détails de la collecte d’un grand ensemble de données
"corpus" des commentaires et des publications en langue arabe provenant de plateformes
de médias sociaux. Les techniques utilisées pour le prétraitement de l’ensemble de données
collectées sont expliquées. Nous présentons nos quatre classes : positive, négative, mixte et
neutre. Différents algorithmes d’apprentissage automatique (ML) ont été utilisés pour classer
les commentaires : Bayes Naïves multinomiales, Bernoulli Bayes Naïves de, Régression Logistique,
Machine à Vecteurs de Support, Forêt Aléatoire et Descente de Gradient Stochastique.
L’application de ces algorithmes a révélé que l’algorithme Naïve Bayes fonctionne bien pour
la classification des textes pour les données d’apprentissage de petite taille et nous avons pu
atteindre une précision de 94,71% sur la classification en deux classes en utilisant le Multinomial
Naïve Bayes algorithme avec tfidfVectorizer en combinant les fonctionnalités unigrammes
et bigrammes. Sur le problème de classification quadruple, nous constatons que les meilleurs
résultats de précision obtenus en utilisant TfidfVectorizer avec le classificateur Support Vector
Machine utilisant des unigrammes est de 91,81%.
Nous avons également développé un réseau de neurones profond pour nos données en exploitant
les réseaux de neurones convolutionnels, le modèle de mémoire à long court terme et
enfin la combinaison des deux, puis nous les avons formés en fonction de différents attributs
sélectionnés. Enfin, nous décidons lequel est le meilleur pour nos données en fonction des
métriques d’évaluation. Le modèle CNN est la meilleure architecture pour les problèmes de
classification binaire et quadruple avec une précision de 93,57% et 90,84% respectivement.Côte titre : MAI/0345 En ligne : https://drive.google.com/file/d/19uWNEEwbB6J_uky9ItC6vPTtS8IyiwQF/view?usp=share [...] Format de la ressource électronique : Machine Learning and Deep Learning Approach for Arabic Sentiment Analysis [texte imprimé] / Laroug,Madjda Ines, Auteur ; Sadik Bessou, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (68 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Traitement du Langage Naturel
Analyse des Sentiments
Sélection de FonctionnalitésIndex. décimale : 004 - Informatique Résumé :
La classification de texte est une application incroyablement utile de l’apprentissage automatique
et de l’apprentissage en profondeur. Elle consiste à attribuer un document textuel à une
classe. Aujourd’hui, l’analyse des sentiments est l’un des domaines de recherche à la croissance
la plus rapide en informatique, mais il manque actuellement encore l’interprétation de la
1
langue arabe. Par conséquent, nous créons un nouvel ensemble de données de commentaires et
de publications en arabe et résolvons des problèmes de classification binaire et quadruple.
Dans cette thèse, nous présentons les détails de la collecte d’un grand ensemble de données
"corpus" des commentaires et des publications en langue arabe provenant de plateformes
de médias sociaux. Les techniques utilisées pour le prétraitement de l’ensemble de données
collectées sont expliquées. Nous présentons nos quatre classes : positive, négative, mixte et
neutre. Différents algorithmes d’apprentissage automatique (ML) ont été utilisés pour classer
les commentaires : Bayes Naïves multinomiales, Bernoulli Bayes Naïves de, Régression Logistique,
Machine à Vecteurs de Support, Forêt Aléatoire et Descente de Gradient Stochastique.
L’application de ces algorithmes a révélé que l’algorithme Naïve Bayes fonctionne bien pour
la classification des textes pour les données d’apprentissage de petite taille et nous avons pu
atteindre une précision de 94,71% sur la classification en deux classes en utilisant le Multinomial
Naïve Bayes algorithme avec tfidfVectorizer en combinant les fonctionnalités unigrammes
et bigrammes. Sur le problème de classification quadruple, nous constatons que les meilleurs
résultats de précision obtenus en utilisant TfidfVectorizer avec le classificateur Support Vector
Machine utilisant des unigrammes est de 91,81%.
Nous avons également développé un réseau de neurones profond pour nos données en exploitant
les réseaux de neurones convolutionnels, le modèle de mémoire à long court terme et
enfin la combinaison des deux, puis nous les avons formés en fonction de différents attributs
sélectionnés. Enfin, nous décidons lequel est le meilleur pour nos données en fonction des
métriques d’évaluation. Le modèle CNN est la meilleure architecture pour les problèmes de
classification binaire et quadruple avec une précision de 93,57% et 90,84% respectivement.Côte titre : MAI/0345 En ligne : https://drive.google.com/file/d/19uWNEEwbB6J_uky9ItC6vPTtS8IyiwQF/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0345 MAI/0345 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Social Media Monitoring Using Machine Learning Type de document : texte imprimé Auteurs : Betka ,Mohamed, Auteur ; Sadik Bessou, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (45 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : L'apprentissage automatique
Traitement du langage naturelIndex. décimale : 004 - Informatique Résumé :
La plupart des recherches se sont basées sur l'extraction de données, notamment du fait de la croissance rapide du nombre de documents, qui contiennent un volume important d'informations dans des bases de données textuelles composées de vastes collections de documents provenant de sources telles que des livres, des articles et des documents de recherche. Avec un grand nombre de ces documents, il est difficile mais nécessaire d’organiser automatiquement les documents en catégories afin de faciliter leur extraction et leur analyse ultérieure. Cela a conduit à l'utilisation de l'apprentissage automatique dans ces études, cette dernière a dépassé son entrée dans plusieurs domaines. Compte tenu des multiples langues dans lesquelles les documents textuels sont écrits, nous pouvons combiner l'apprentissage automatique ,le traitement du langage naturel et analyse des sentiments.Côte titre : MAI/0481 En ligne : https://drive.google.com/file/d/1iVXqwUxidU5W2vEbgt7jeDtAPGRUvp2k/view?usp=shari [...] Format de la ressource électronique : Social Media Monitoring Using Machine Learning [texte imprimé] / Betka ,Mohamed, Auteur ; Sadik Bessou, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (45 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : L'apprentissage automatique
Traitement du langage naturelIndex. décimale : 004 - Informatique Résumé :
La plupart des recherches se sont basées sur l'extraction de données, notamment du fait de la croissance rapide du nombre de documents, qui contiennent un volume important d'informations dans des bases de données textuelles composées de vastes collections de documents provenant de sources telles que des livres, des articles et des documents de recherche. Avec un grand nombre de ces documents, il est difficile mais nécessaire d’organiser automatiquement les documents en catégories afin de faciliter leur extraction et leur analyse ultérieure. Cela a conduit à l'utilisation de l'apprentissage automatique dans ces études, cette dernière a dépassé son entrée dans plusieurs domaines. Compte tenu des multiples langues dans lesquelles les documents textuels sont écrits, nous pouvons combiner l'apprentissage automatique ,le traitement du langage naturel et analyse des sentiments.Côte titre : MAI/0481 En ligne : https://drive.google.com/file/d/1iVXqwUxidU5W2vEbgt7jeDtAPGRUvp2k/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0481 MAI/0481 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Subjectivity and Sentement Analysis in Arabic Text Type de document : texte imprimé Auteurs : Guettaf, Amina, Auteur ; Sadik Bessou, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (47 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Subjectivity and sentiment analysis
Machine learningIndex. décimale : 004 - Informatique Résumé :
The task of subjectivity and sentiment analysis is commonly defined as classifying a
given text into one of two classes: objective or subjective. It’s often used by businesses
to detect sentiment in social data, gauge brand reputation, and understand customers.
SSA is becoming an essential tool to monitor and understand the customers thoughts
and feelings more openly than ever. Automatically analyzing customer feedback, such as
opinions in survey responses and social media conversations, allows brands to learn what
makes customers happy or frustrated, so that they can tailor products and services to
meet their customers needs. In this work, the purpose is to achieve a particular accuracy
using different natural language processing approaches and machine learning techniques
in a collection of tweets written in Arabic dialect and Modern Standard Arabic.Côte titre : MAI/0555 En ligne : https://drive.google.com/file/d/1Y34aur8OoenlxB9H6-HR2GKoR7vcOxjy/view?usp=shari [...] Format de la ressource électronique : Subjectivity and Sentement Analysis in Arabic Text [texte imprimé] / Guettaf, Amina, Auteur ; Sadik Bessou, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (47 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Subjectivity and sentiment analysis
Machine learningIndex. décimale : 004 - Informatique Résumé :
The task of subjectivity and sentiment analysis is commonly defined as classifying a
given text into one of two classes: objective or subjective. It’s often used by businesses
to detect sentiment in social data, gauge brand reputation, and understand customers.
SSA is becoming an essential tool to monitor and understand the customers thoughts
and feelings more openly than ever. Automatically analyzing customer feedback, such as
opinions in survey responses and social media conversations, allows brands to learn what
makes customers happy or frustrated, so that they can tailor products and services to
meet their customers needs. In this work, the purpose is to achieve a particular accuracy
using different natural language processing approaches and machine learning techniques
in a collection of tweets written in Arabic dialect and Modern Standard Arabic.Côte titre : MAI/0555 En ligne : https://drive.google.com/file/d/1Y34aur8OoenlxB9H6-HR2GKoR7vcOxjy/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0555 MAI/0555 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Textual Recommender System using Machine Learning Techniques Type de document : texte imprimé Auteurs : Haddad ,Dhai Eddine, Auteur ; Sadik Bessou, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (57 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Recommender System
Hybrid
NLP
Machine Learning_Index. décimale : 004 - Informatique Résumé :
Recommender Systems have become a very valuable tool for both corporations plus end
users. Nowadays, they are part of every big online platform and website. Due to the large
demand of RS, the research for a new groundbreaking solution is the goal of researchers
and corporations alike. While the precedent implementations of RS ; CF and CBF,
produced decent results though not optimal, they paved the way for a new HYBRID
approach that solves their shortcomings and achieve better results. In this thesis, we will
discuss how RS works, then we’ll employ different techniques such as preprocessing, ML
classifiers to make an experimental hybrid news articles recommender system.
Côte titre : MAI/0477 En ligne : https://drive.google.com/file/d/1WvaE5JSlzaoMNCms30n_pxksyiKVHmyk/view?usp=shari [...] Format de la ressource électronique : Textual Recommender System using Machine Learning Techniques [texte imprimé] / Haddad ,Dhai Eddine, Auteur ; Sadik Bessou, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (57 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Recommender System
Hybrid
NLP
Machine Learning_Index. décimale : 004 - Informatique Résumé :
Recommender Systems have become a very valuable tool for both corporations plus end
users. Nowadays, they are part of every big online platform and website. Due to the large
demand of RS, the research for a new groundbreaking solution is the goal of researchers
and corporations alike. While the precedent implementations of RS ; CF and CBF,
produced decent results though not optimal, they paved the way for a new HYBRID
approach that solves their shortcomings and achieve better results. In this thesis, we will
discuss how RS works, then we’ll employ different techniques such as preprocessing, ML
classifiers to make an experimental hybrid news articles recommender system.
Côte titre : MAI/0477 En ligne : https://drive.google.com/file/d/1WvaE5JSlzaoMNCms30n_pxksyiKVHmyk/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0477 MAI/0477 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible