University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Rayanne Berrani |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Deep and Machine Learning in Predicting Cancer Type de document : texte imprimé Auteurs : Yousra Latreche, Auteur ; Rayanne Berrani ; Mediani,Chahrazed, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (70 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Machine Learning
Deep Learning
Autoencoders
Cancer
MiRNA : microRNAIndex. décimale : 004 - Informatique Résumé :
The activities in genomes and proteomics are critical to the operation of any organism.
These activities are in charge of carrying out most biological operations, performing important
life functions, and making up the majority of cellular components. Malfunctions in
these systems are frequently connected to a variety of hereditary conditions. As a result,
understanding the complexities of these activities has become a critical goal for large-scale
genomics research. Nonetheless, this subject provides considerable obstacles, such as sensitivity,
high-dimensional data, and a large volume of information. These complexities make
it a difficult yet appropriate domain for the use of deep learning techniques. Deep learning
excels at handling and understanding large, complex datasets. This thesis investigates the
use of deep learning, primarily Autoencoders, to handle a classification challenge for cancer
diagnosis using two separate annotated datasets : the microRNA dataset and the reverse
phase protein array. The results were extremely encouraging, revealing that our integrated
deep learning model excels in both cancer type classification and prediction, as well as high
accuracy in predicting the Progression-Free Interval (PFI) score.Note de contenu : Sommaire
Abstract 1
List of Figures i
List of Tables ii
General Introduction 1
1 Biological Background 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 The Human Genome Project . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Molecular Biology Fundamental . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Cells . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2 Nucleic acids . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.3 Protein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.4 Molecular genetics . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Capture the Biological data . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Microarray . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.2 Next Generation Sequencing . . . . . . . . . . . . . . . . . . . . . 13
1.4.3 Next Generation Sequencing . . . . . . . . . . . . . . . . . . . . . 14
1.5 Personalized Medicine and Cancer . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.1 Cancer is a hereditary disease . . . . . . . . . . . . . . . . . . . . . 14
1.5.2 Personalized medicine . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.3 Personalized treatment of cancer . . . . . . . . . . . . . . . . . . . 15
1.5.4 Omic data integration . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Bioinformatics And Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Theoretical Background 17
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Machine Learning process . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . 19
2.2.3 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . 22
2.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3.1 Deep Learning Architecture . . . . . . . . . . . . . . . . . . . . . . 30
2.3.2 Deep Learning Applications . . . . . . . . . . . . . . . . . . . . . . 34
2.3.3 Deep Learning In Bioinformatics . . . . . . . . . . . . . . . . . . . 36
2.3.4 Related works summarized . . . . . . . . . . . . . . . . . . . . . . . 36
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3 Architecture and Algorithms 40
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2 The Dataset used . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.1 Platforms and data types . . . . . . . . . . . . . . . . . . . . . . . 42
3.3 Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4 Data preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.1 Data Curation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.2 Imputation of missing values . . . . . . . . . . . . . . . . . . . . . 47
3.4.3 Proposal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4 Framework and Results 53
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2 Implementation Framework . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2.1 Development environment . . . . . . . . . . . . . . . . . . . . . . . 53
4.2.2 Deep Learning Frameworks . . . . . . . . . . . . . . . . . . . . . . 54
4.3 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59Côte titre : MAI/0890 Deep and Machine Learning in Predicting Cancer [texte imprimé] / Yousra Latreche, Auteur ; Rayanne Berrani ; Mediani,Chahrazed, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (70 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Machine Learning
Deep Learning
Autoencoders
Cancer
MiRNA : microRNAIndex. décimale : 004 - Informatique Résumé :
The activities in genomes and proteomics are critical to the operation of any organism.
These activities are in charge of carrying out most biological operations, performing important
life functions, and making up the majority of cellular components. Malfunctions in
these systems are frequently connected to a variety of hereditary conditions. As a result,
understanding the complexities of these activities has become a critical goal for large-scale
genomics research. Nonetheless, this subject provides considerable obstacles, such as sensitivity,
high-dimensional data, and a large volume of information. These complexities make
it a difficult yet appropriate domain for the use of deep learning techniques. Deep learning
excels at handling and understanding large, complex datasets. This thesis investigates the
use of deep learning, primarily Autoencoders, to handle a classification challenge for cancer
diagnosis using two separate annotated datasets : the microRNA dataset and the reverse
phase protein array. The results were extremely encouraging, revealing that our integrated
deep learning model excels in both cancer type classification and prediction, as well as high
accuracy in predicting the Progression-Free Interval (PFI) score.Note de contenu : Sommaire
Abstract 1
List of Figures i
List of Tables ii
General Introduction 1
1 Biological Background 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 The Human Genome Project . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Molecular Biology Fundamental . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Cells . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2 Nucleic acids . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.3 Protein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.4 Molecular genetics . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Capture the Biological data . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Microarray . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.2 Next Generation Sequencing . . . . . . . . . . . . . . . . . . . . . 13
1.4.3 Next Generation Sequencing . . . . . . . . . . . . . . . . . . . . . 14
1.5 Personalized Medicine and Cancer . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.1 Cancer is a hereditary disease . . . . . . . . . . . . . . . . . . . . . 14
1.5.2 Personalized medicine . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.3 Personalized treatment of cancer . . . . . . . . . . . . . . . . . . . 15
1.5.4 Omic data integration . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Bioinformatics And Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Theoretical Background 17
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Machine Learning process . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . 19
2.2.3 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . 22
2.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3.1 Deep Learning Architecture . . . . . . . . . . . . . . . . . . . . . . 30
2.3.2 Deep Learning Applications . . . . . . . . . . . . . . . . . . . . . . 34
2.3.3 Deep Learning In Bioinformatics . . . . . . . . . . . . . . . . . . . 36
2.3.4 Related works summarized . . . . . . . . . . . . . . . . . . . . . . . 36
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3 Architecture and Algorithms 40
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2 The Dataset used . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.1 Platforms and data types . . . . . . . . . . . . . . . . . . . . . . . 42
3.3 Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4 Data preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.1 Data Curation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.2 Imputation of missing values . . . . . . . . . . . . . . . . . . . . . 47
3.4.3 Proposal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4 Framework and Results 53
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2 Implementation Framework . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2.1 Development environment . . . . . . . . . . . . . . . . . . . . . . . 53
4.2.2 Deep Learning Frameworks . . . . . . . . . . . . . . . . . . . . . . 54
4.3 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59Côte titre : MAI/0890 Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire
Titre : Deep and Machine Learning in Predicting Cancer Type de document : texte imprimé Auteurs : Yousra Latreche, Auteur ; Rayanne Berrani ; Mediani,Chahrazed, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (70 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Machine Learning
Deep Learning
Autoencoders
Cancer
MiRNA : microRNAIndex. décimale : 004 - Informatique Résumé :
The activities in genomes and proteomics are critical to the operation of any organism.
These activities are in charge of carrying out most biological operations, performing important
life functions, and making up the majority of cellular components. Malfunctions in
these systems are frequently connected to a variety of hereditary conditions. As a result,
understanding the complexities of these activities has become a critical goal for large-scale
genomics research. Nonetheless, this subject provides considerable obstacles, such as sensitivity,
high-dimensional data, and a large volume of information. These complexities make
it a difficult yet appropriate domain for the use of deep learning techniques. Deep learning
excels at handling and understanding large, complex datasets. This thesis investigates the
use of deep learning, primarily Autoencoders, to handle a classification challenge for cancer
diagnosis using two separate annotated datasets : the microRNA dataset and the reverse
phase protein array. The results were extremely encouraging, revealing that our integrated
deep learning model excels in both cancer type classification and prediction, as well as high
accuracy in predicting the Progression-Free Interval (PFI) score.Note de contenu : Sommaire
Abstract 1
List of Figures i
List of Tables ii
General Introduction 1
1 Biological Background 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 The Human Genome Project . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Molecular Biology Fundamental . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Cells . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2 Nucleic acids . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.3 Protein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.4 Molecular genetics . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Capture the Biological data . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Microarray . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.2 Next Generation Sequencing . . . . . . . . . . . . . . . . . . . . . 13
1.4.3 Next Generation Sequencing . . . . . . . . . . . . . . . . . . . . . 14
1.5 Personalized Medicine and Cancer . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.1 Cancer is a hereditary disease . . . . . . . . . . . . . . . . . . . . . 14
1.5.2 Personalized medicine . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.3 Personalized treatment of cancer . . . . . . . . . . . . . . . . . . . 15
1.5.4 Omic data integration . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Bioinformatics And Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Theoretical Background 17
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Machine Learning process . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . 19
2.2.3 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . 22
2.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3.1 Deep Learning Architecture . . . . . . . . . . . . . . . . . . . . . . 30
2.3.2 Deep Learning Applications . . . . . . . . . . . . . . . . . . . . . . 34
2.3.3 Deep Learning In Bioinformatics . . . . . . . . . . . . . . . . . . . 36
2.3.4 Related works summarized . . . . . . . . . . . . . . . . . . . . . . . 36
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3 Architecture and Algorithms 40
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2 The Dataset used . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.1 Platforms and data types . . . . . . . . . . . . . . . . . . . . . . . 42
3.3 Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4 Data preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.1 Data Curation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.2 Imputation of missing values . . . . . . . . . . . . . . . . . . . . . 47
3.4.3 Proposal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4 Framework and Results 53
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2 Implementation Framework . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2.1 Development environment . . . . . . . . . . . . . . . . . . . . . . . 53
4.2.2 Deep Learning Frameworks . . . . . . . . . . . . . . . . . . . . . . 54
4.3 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59Côte titre : MAI/0890 Deep and Machine Learning in Predicting Cancer [texte imprimé] / Yousra Latreche, Auteur ; Rayanne Berrani ; Mediani,Chahrazed, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (70 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Machine Learning
Deep Learning
Autoencoders
Cancer
MiRNA : microRNAIndex. décimale : 004 - Informatique Résumé :
The activities in genomes and proteomics are critical to the operation of any organism.
These activities are in charge of carrying out most biological operations, performing important
life functions, and making up the majority of cellular components. Malfunctions in
these systems are frequently connected to a variety of hereditary conditions. As a result,
understanding the complexities of these activities has become a critical goal for large-scale
genomics research. Nonetheless, this subject provides considerable obstacles, such as sensitivity,
high-dimensional data, and a large volume of information. These complexities make
it a difficult yet appropriate domain for the use of deep learning techniques. Deep learning
excels at handling and understanding large, complex datasets. This thesis investigates the
use of deep learning, primarily Autoencoders, to handle a classification challenge for cancer
diagnosis using two separate annotated datasets : the microRNA dataset and the reverse
phase protein array. The results were extremely encouraging, revealing that our integrated
deep learning model excels in both cancer type classification and prediction, as well as high
accuracy in predicting the Progression-Free Interval (PFI) score.Note de contenu : Sommaire
Abstract 1
List of Figures i
List of Tables ii
General Introduction 1
1 Biological Background 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 The Human Genome Project . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Molecular Biology Fundamental . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Cells . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2 Nucleic acids . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.3 Protein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.4 Molecular genetics . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Capture the Biological data . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Microarray . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.2 Next Generation Sequencing . . . . . . . . . . . . . . . . . . . . . 13
1.4.3 Next Generation Sequencing . . . . . . . . . . . . . . . . . . . . . 14
1.5 Personalized Medicine and Cancer . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.1 Cancer is a hereditary disease . . . . . . . . . . . . . . . . . . . . . 14
1.5.2 Personalized medicine . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.3 Personalized treatment of cancer . . . . . . . . . . . . . . . . . . . 15
1.5.4 Omic data integration . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Bioinformatics And Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Theoretical Background 17
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Machine Learning process . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . 19
2.2.3 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . 22
2.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3.1 Deep Learning Architecture . . . . . . . . . . . . . . . . . . . . . . 30
2.3.2 Deep Learning Applications . . . . . . . . . . . . . . . . . . . . . . 34
2.3.3 Deep Learning In Bioinformatics . . . . . . . . . . . . . . . . . . . 36
2.3.4 Related works summarized . . . . . . . . . . . . . . . . . . . . . . . 36
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3 Architecture and Algorithms 40
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2 The Dataset used . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.1 Platforms and data types . . . . . . . . . . . . . . . . . . . . . . . 42
3.3 Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4 Data preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.1 Data Curation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.2 Imputation of missing values . . . . . . . . . . . . . . . . . . . . . 47
3.4.3 Proposal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4 Framework and Results 53
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2 Implementation Framework . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2.1 Development environment . . . . . . . . . . . . . . . . . . . . . . . 53
4.2.2 Deep Learning Frameworks . . . . . . . . . . . . . . . . . . . . . . 54
4.3 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59Côte titre : MAI/0890 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0890 MAI/0890 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
