University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Safia Djemame |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la rechercheAssessing multiple algorithms for implementing a recommender system for pharmaceutical products / Abdelghani Derradji
Titre : Assessing multiple algorithms for implementing a recommender system for pharmaceutical products Type de document : texte imprimé Auteurs : Abdelghani Derradji, Auteur ; Khedidja Meziane ; Safia Djemame, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (85 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Système de recommandation
Intelligence artificielle
Apprentissage automatique
Apprentissage automatique supervise
Classification
RégressionIndex. décimale : 004 - Informatique Résumé : Ce mémoire présente une vue globale sur quelques algorithmes du domaine de l’apprentissage
automatique et l’apprentissage profond qui peuvent être utilisés pour l’implémentation des
systèmes de recommandations et décrit les problèmes et erreurs communes qu’on peut trouver
quand on travaille sur des projets pareils.
L’objectif de ce projet est de répondre à une simple question : comment prédire l’action
commerciale suivante d’un client en se basant sur son historique d’achats ? en d’autres
termes, résoudre l’équation pseudo-mathématique suivante :
Etant donné : des observations enregistrées sur plusieurs années sur les achats d’un client.
Résoudre l’équation suivante :
DATE + CLIENT + METADONNEES = [liste de produits qui peuvent intéresser un client
dans date en entrée]
Où:
• [DATE] est une date dans le futur.
• [METADONNEES] toutes information ou données nécessaires et peut être
consolidées sur le produit, la [DATE] ou le [CLIENT].
Ce travail est imposé par un besoin réel d’une entreprise dans laquelle l’un des auteurs de ce
mémoire travaille qui consiste à faciliter l’accès aux produits pour leur clientèle. Au lieu de
prendre une route traditionnelle par l’implémentation d’un système de vente simple qui
expose le stock et offre une recherche intelligente qui permet aux utilisateurs du système de
chercher et sélectionner les produits, les auteurs ont décidé d’exploiter des techniques
modernes pour permettre une expérience utilisateur riche et personnalisée à la clientèle de
l’entreprise.
La première étape dans ce projet était d’implémenter un « cerveau » qui peut imiter la façon
dont un client pense pour qu’on puisse lui poser des questions comme si on les pose sur un
client réel comme : quels produits voulez-vous prochainement ?
Ce “cerveau” doit être un modèle mathématique issue des techniques de l’apprentissage
machine réglé et personnalisé pour offrir ce genre d’expérience.
Si cet objectif est réalisé, plusieurs opportunités d’utilisation peuvent s’émerger comme la
« planification de la demande » (connu aussi comme « la prévision des stocks ») qui peut
faciliter la gestion des demandes d’achats de l’entreprise pour augmenter les revenus,
diminuer les coûts et espace de stockage permis par la possibilité de prédire et estimer la
demande du marché = This dissertation presents an overview of some machine learning and deep learning
techniques that can be used for implementing recommender systems and describes common
mistakes and pitfalls one can face when dealing with such projects.
The goal of this project is to answer a simple question: how to predict the next sale action of
customers based on their precedent behavior. Or in pseudo-mathematics:
Given: years of observations about customer’s sale behavior
Answer the following equation:
SALE DATE + CUSTOMER ID + META DATA = [list of items the customer could be
interested in for that date]
Such as:
• [SALE DATE] is in the future.
• [META DATA] is any necessary information or data that can be gathered
about the item, the [SALE DATE] or the [CUSTOMER ID]
This work was dictated by a real world need of a company one of the authors works for in
which they needed to facilitate access to their products for their customers. Instead of going
the traditional way, of implementing a simple sales system which exposes the inventory of
items and offers a smart search functionality that allows users to search and select products,
the authors decided to implement modern techniques to enable a rich and customized user
experience to the customers.
The first step was to implement a “brain” that can think like a customer so we can ask it like
we would do for a real customer: what products do you want next?
That “brain” should be a machine learning model trained on the data of the customer and
tuned to offer that kind of experience.
If this goal could be achieved, it will open many doors on ways to exploit it, like “Demand
planning” (also known as “Inventory forecasting”) which can help manage the company’s
purchase orders in order to increase revenue, decrease costs and storage space by estimating
future demand for a company’s products.Côte titre : MAI/0786
En ligne : https://drive.google.com/file/d/1UEVDRqxfTLnbjbml7POAXUlep0BMgWdW/view?usp=drive [...] Format de la ressource électronique : Assessing multiple algorithms for implementing a recommender system for pharmaceutical products [texte imprimé] / Abdelghani Derradji, Auteur ; Khedidja Meziane ; Safia Djemame, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (85 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Système de recommandation
Intelligence artificielle
Apprentissage automatique
Apprentissage automatique supervise
Classification
RégressionIndex. décimale : 004 - Informatique Résumé : Ce mémoire présente une vue globale sur quelques algorithmes du domaine de l’apprentissage
automatique et l’apprentissage profond qui peuvent être utilisés pour l’implémentation des
systèmes de recommandations et décrit les problèmes et erreurs communes qu’on peut trouver
quand on travaille sur des projets pareils.
L’objectif de ce projet est de répondre à une simple question : comment prédire l’action
commerciale suivante d’un client en se basant sur son historique d’achats ? en d’autres
termes, résoudre l’équation pseudo-mathématique suivante :
Etant donné : des observations enregistrées sur plusieurs années sur les achats d’un client.
Résoudre l’équation suivante :
DATE + CLIENT + METADONNEES = [liste de produits qui peuvent intéresser un client
dans date en entrée]
Où:
• [DATE] est une date dans le futur.
• [METADONNEES] toutes information ou données nécessaires et peut être
consolidées sur le produit, la [DATE] ou le [CLIENT].
Ce travail est imposé par un besoin réel d’une entreprise dans laquelle l’un des auteurs de ce
mémoire travaille qui consiste à faciliter l’accès aux produits pour leur clientèle. Au lieu de
prendre une route traditionnelle par l’implémentation d’un système de vente simple qui
expose le stock et offre une recherche intelligente qui permet aux utilisateurs du système de
chercher et sélectionner les produits, les auteurs ont décidé d’exploiter des techniques
modernes pour permettre une expérience utilisateur riche et personnalisée à la clientèle de
l’entreprise.
La première étape dans ce projet était d’implémenter un « cerveau » qui peut imiter la façon
dont un client pense pour qu’on puisse lui poser des questions comme si on les pose sur un
client réel comme : quels produits voulez-vous prochainement ?
Ce “cerveau” doit être un modèle mathématique issue des techniques de l’apprentissage
machine réglé et personnalisé pour offrir ce genre d’expérience.
Si cet objectif est réalisé, plusieurs opportunités d’utilisation peuvent s’émerger comme la
« planification de la demande » (connu aussi comme « la prévision des stocks ») qui peut
faciliter la gestion des demandes d’achats de l’entreprise pour augmenter les revenus,
diminuer les coûts et espace de stockage permis par la possibilité de prédire et estimer la
demande du marché = This dissertation presents an overview of some machine learning and deep learning
techniques that can be used for implementing recommender systems and describes common
mistakes and pitfalls one can face when dealing with such projects.
The goal of this project is to answer a simple question: how to predict the next sale action of
customers based on their precedent behavior. Or in pseudo-mathematics:
Given: years of observations about customer’s sale behavior
Answer the following equation:
SALE DATE + CUSTOMER ID + META DATA = [list of items the customer could be
interested in for that date]
Such as:
• [SALE DATE] is in the future.
• [META DATA] is any necessary information or data that can be gathered
about the item, the [SALE DATE] or the [CUSTOMER ID]
This work was dictated by a real world need of a company one of the authors works for in
which they needed to facilitate access to their products for their customers. Instead of going
the traditional way, of implementing a simple sales system which exposes the inventory of
items and offers a smart search functionality that allows users to search and select products,
the authors decided to implement modern techniques to enable a rich and customized user
experience to the customers.
The first step was to implement a “brain” that can think like a customer so we can ask it like
we would do for a real customer: what products do you want next?
That “brain” should be a machine learning model trained on the data of the customer and
tuned to offer that kind of experience.
If this goal could be achieved, it will open many doors on ways to exploit it, like “Demand
planning” (also known as “Inventory forecasting”) which can help manage the company’s
purchase orders in order to increase revenue, decrease costs and storage space by estimating
future demand for a company’s products.Côte titre : MAI/0786
En ligne : https://drive.google.com/file/d/1UEVDRqxfTLnbjbml7POAXUlep0BMgWdW/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0786 MAI/0786 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Combining Cellular Automata and Ant Colony Optimization for Image Processing Type de document : texte imprimé Auteurs : Yahia Messaoui, Auteur ; Salah Eddine Guerra ; Safia Djemame, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (63 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Cellular Automata(CA)
Ant Colony Optimization (ACO)
Image processing
Edge detection
NeighborhoodIndex. décimale : 004 - Informatique Résumé :
Cellular Automata, a mathematical model consisting of a network of cells that
evolve over time according to state-dependent rules of neighboring cells, are used to
simulate complex systems and have found applications in image processing for tasks
such as texture recognition and noise reduction. On the other hand, Ant Colony
Optimization, inspired by the foraging behavior of ants, is an effective algorithm for
solving optimization problems and is particularly suitable for image segmentation and
edge detection.Note de contenu : Sommaire
Table of contents vi
List of figures viii
List of tables ix
Abbreviations 1
General Introduction 2
1 Cellular Automata and its Applications in Image Processing 4
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Fundamentals of Cellular Automata . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Definition of Cellular Automata . . . . . . . . . . . . . . . . . . 4
1.2.2 Basic Components of CA (Cells, State, Neighborhood, Transition
Rules) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Concept of Cellular Automata . . . . . . . . . . . . . . . . . . . 6
1.2.4 Rule Description of 1D CA: . . . . . . . . . . . . . . . . . . . . 7
1.2.5 Rule Description of 2D CA: . . . . . . . . . . . . . . . . . . . . 7
1.2.6 Types of Cellular Automata: . . . . . . . . . . . . . . . . . . . . 8
1.3 Cellular Automata in Image Processing: . . . . . . . . . . . . . . . . . 9
1.3.1 Advantages of Using CA in Image Processing: . . . . . . . . . . 12
1.3.2 Related Works . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.3 combining CA and PSO for Edge Detection: . . . . . . . . . . . 13
1.3.4 Training Cellular Automata for Image Edge Detection: . . . . . 13
1.3.5 Salt and Pepper Noise Reduction using Cellular Automata: . . . 14
1.3.6 An Effective Image Noise Filtering Algorithm Using Cellular
Automata: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.7 Detection of Tumor Cells in Brain using Cellular Automata with
Image Segmentation and Edge Detection: . . . . . . . . . . . . . 15
1.4 Challenges and Future Directions . . . . . . . . . . . . . . . . . . . . . 16
1.4.1 Limitations of Current CA Models in Image Processing: . . . . . 16
1.4.2 Future Research Opportunities . . . . . . . . . . . . . . . . . . 17
1.4.3 Potential Impact of Emerging Technologies . . . . . . . . . . . . 17
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Optimization with Metaheuristics 19
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Definition of Metaheuristic . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Classification of metaheuristics . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Analysis of metaheuristics . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.1 Exploitation and exploration . . . . . . . . . . . . . . . . . . . . 22
2.4.2 General methods and specific methods . . . . . . . . . . . . . . 22
2.5 Types of metaheuristics . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6 Optimal Path ACO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6.1 Ant Colony Opimization Algorithm . . . . . . . . . . . . . . . . 27
2.6.2 The principe of Ant colony optimization . . . . . . . . . . . . . 28
2.6.3 Applications of Ant colony optimization . . . . . . . . . . . . . 30
2.7 Applications Ant Colony optimization in image processing . . . . . . . 31
2.7.1 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.7.2 Image Compression . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.7.3 Edge Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.7.4 Edge Linking . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.8 Advantages and Disadvantages of (ACO) . . . . . . . . . . . . . . . . . 33
2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3 Implementation and Results 34
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2 Experiment environment . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4 The Fitness Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4.1 Root Mean Square Error (RMSE) . . . . . . . . . . . . . . . . . 37
3.4.2 Peak Signal-to-Noise Ratio (PSNR) . . . . . . . . . . . . . . . . 38
3.4.3 The Structural Similarity Index (SSIM) . . . . . . . . . . . . . . 40
3.5 Cellular automata Implementation . . . . . . . . . . . . . . . . . . . . 41
3.5.1 Conceptual Understanding . . . . . . . . . . . . . . . . . . . . . 42
3.6 ACO implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.6.1 ACO Initialization . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.6.2 ACO Run Method: . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.6.3 Populating the Final Image Based on Pheromones . . . . . . . . 45
3.7 RESULTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.7.1 Visual comparison . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.7.2 Comparison of Benchmark Metrics . . . . . . . . . . . . . . . . 47
3.7.3 Explication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
General Conclusion 58
Bibliography 60Côte titre : MAI/0922
Combining Cellular Automata and Ant Colony Optimization for Image Processing [texte imprimé] / Yahia Messaoui, Auteur ; Salah Eddine Guerra ; Safia Djemame, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (63 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Cellular Automata(CA)
Ant Colony Optimization (ACO)
Image processing
Edge detection
NeighborhoodIndex. décimale : 004 - Informatique Résumé :
Cellular Automata, a mathematical model consisting of a network of cells that
evolve over time according to state-dependent rules of neighboring cells, are used to
simulate complex systems and have found applications in image processing for tasks
such as texture recognition and noise reduction. On the other hand, Ant Colony
Optimization, inspired by the foraging behavior of ants, is an effective algorithm for
solving optimization problems and is particularly suitable for image segmentation and
edge detection.Note de contenu : Sommaire
Table of contents vi
List of figures viii
List of tables ix
Abbreviations 1
General Introduction 2
1 Cellular Automata and its Applications in Image Processing 4
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Fundamentals of Cellular Automata . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Definition of Cellular Automata . . . . . . . . . . . . . . . . . . 4
1.2.2 Basic Components of CA (Cells, State, Neighborhood, Transition
Rules) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Concept of Cellular Automata . . . . . . . . . . . . . . . . . . . 6
1.2.4 Rule Description of 1D CA: . . . . . . . . . . . . . . . . . . . . 7
1.2.5 Rule Description of 2D CA: . . . . . . . . . . . . . . . . . . . . 7
1.2.6 Types of Cellular Automata: . . . . . . . . . . . . . . . . . . . . 8
1.3 Cellular Automata in Image Processing: . . . . . . . . . . . . . . . . . 9
1.3.1 Advantages of Using CA in Image Processing: . . . . . . . . . . 12
1.3.2 Related Works . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.3 combining CA and PSO for Edge Detection: . . . . . . . . . . . 13
1.3.4 Training Cellular Automata for Image Edge Detection: . . . . . 13
1.3.5 Salt and Pepper Noise Reduction using Cellular Automata: . . . 14
1.3.6 An Effective Image Noise Filtering Algorithm Using Cellular
Automata: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.7 Detection of Tumor Cells in Brain using Cellular Automata with
Image Segmentation and Edge Detection: . . . . . . . . . . . . . 15
1.4 Challenges and Future Directions . . . . . . . . . . . . . . . . . . . . . 16
1.4.1 Limitations of Current CA Models in Image Processing: . . . . . 16
1.4.2 Future Research Opportunities . . . . . . . . . . . . . . . . . . 17
1.4.3 Potential Impact of Emerging Technologies . . . . . . . . . . . . 17
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Optimization with Metaheuristics 19
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Definition of Metaheuristic . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Classification of metaheuristics . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Analysis of metaheuristics . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.1 Exploitation and exploration . . . . . . . . . . . . . . . . . . . . 22
2.4.2 General methods and specific methods . . . . . . . . . . . . . . 22
2.5 Types of metaheuristics . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6 Optimal Path ACO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6.1 Ant Colony Opimization Algorithm . . . . . . . . . . . . . . . . 27
2.6.2 The principe of Ant colony optimization . . . . . . . . . . . . . 28
2.6.3 Applications of Ant colony optimization . . . . . . . . . . . . . 30
2.7 Applications Ant Colony optimization in image processing . . . . . . . 31
2.7.1 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.7.2 Image Compression . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.7.3 Edge Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.7.4 Edge Linking . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.8 Advantages and Disadvantages of (ACO) . . . . . . . . . . . . . . . . . 33
2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3 Implementation and Results 34
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2 Experiment environment . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4 The Fitness Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4.1 Root Mean Square Error (RMSE) . . . . . . . . . . . . . . . . . 37
3.4.2 Peak Signal-to-Noise Ratio (PSNR) . . . . . . . . . . . . . . . . 38
3.4.3 The Structural Similarity Index (SSIM) . . . . . . . . . . . . . . 40
3.5 Cellular automata Implementation . . . . . . . . . . . . . . . . . . . . 41
3.5.1 Conceptual Understanding . . . . . . . . . . . . . . . . . . . . . 42
3.6 ACO implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.6.1 ACO Initialization . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.6.2 ACO Run Method: . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.6.3 Populating the Final Image Based on Pheromones . . . . . . . . 45
3.7 RESULTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.7.1 Visual comparison . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.7.2 Comparison of Benchmark Metrics . . . . . . . . . . . . . . . . 47
3.7.3 Explication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
General Conclusion 58
Bibliography 60Côte titre : MAI/0922
Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0922 MAI/0922 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
