University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'indexation
Ouvrages de la bibliothèque en indexation 004
Ajouter le résultat dans votre panier Affiner la recherche
Extraction des connaissances à partir des séquences d’images d’expression génétique / Amaouche, Samiha
Titre : Extraction des connaissances à partir des séquences d’images d’expression génétique Type de document : texte imprimé Auteurs : Amaouche, Samiha, Auteur ; Mekroud,N, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (78 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé : Résumé
Dans ce travail, nous nous sommes intéressés à l’extraction des règles d’association floues à partir des séquencesd’images d’expression génétiquede l’espèce modèle « Edinburg Mouse ». Diverses techniques de prétraitement des images numériques ont été utilisées, commençant par l’indexation des images colorées en mode RVB, jusqu'à la sélection des variables les plus pertinentes pour réduire la complexité de l’algorithme développé. Ensuite on a représenté les données à traiter suivant les bases de la logique floue, en définissant ainsi une fonction d’appartenance de chaque attribut à chaque sous-ensemble flou. A la fin, on a généré les itemsets flous ainsi que les règles d’association floues suivant des seuils adéquats pour chaque paramètre de l’algorithme proposé. Ce travail a beaucoup enrichi nos connaissances dans le domaine de la bioinformatique, ainsi que dans la maitrise des techniques d’Extraction des Connaissances à partir de Données (ECD) et les méthodes de fouille des données. Aussi, ce projet nous a permis d’approfondir nos connaissances sur la méthode d’extraction des règles d’associations et sur les notions de la logique floue. Et enfin, on a appris aussi la programmation sous le puissant environnement de programmation MatLab, spécialement coté techniques de traitement d’images numériques. Nous proposons comme perspective d'inclure les aspects temporels présents dans la base de données d’expression génétique, fournissant ainsi des règles qui définissent les relations entre les différentes phases de développement de l’embryon de l’espèce modèle « Edinburgh MouseNote de contenu : Sommaire
Table des matières
REMERCIEMENTS ............................................................................................................................... 2
Introduction générale ........................................................................................................ 10
CHAPITRE 01 Etat de L’art sur la bionformatique
Etat de l’art sur la bioinformatique ..............................................................
1. Introduction .......................................................................................................... 13
2. Quelques définitions de la bio-informatique ................................................................................. 13
2.1 Définition 01.......................................................................................................................... 13
2.2 Définition 02.......................................................................................................................... 13
2.3 Définition 03.......................................................................................................................... 14
3. Historique .............................................................................................................. 14
4. L e but de la bioinformatique ........................................................................................................ 16
5. Les grands domaines d’application de la bioinformatique ............................................................ 16
6. Quelques précisions biologiques ................................................................................................... 17
7. Les Banques de données ............................................................................................................... 19
7.1 Les banques de données généralistes .................................................................................... 19
7.2 Les banques de données spécialisées ................................................................................... 19
7.3- Les images d’expression génétique ............................................................................................ 19
8. L’imagerie in vivo des expressions génétiques ............................................................................. 20
8.1 L’imagerie in vivo de l’embryon du « poisson zèbre » ............................................................. 20
8.2 L’imagerie in vivo de l’embryon de « Edinburgh Mouse » ...................................................... 21
8.2.1 L’embryon de la souri .............................................................................................................. 22
9. Conclusion ............................................................................................................... 25
Extraction des connaissances ................................................................................................................ 26
1. Introduction ......................................................................................................... 27
2. Extraction des connaissances à partir de données (ECD/KDD) .................................................... 27
2.1 Nettoyage et intégration des données .................................................................................... 28
2.2 Prétraitement des données ..................................................................................................... 28
2.3 Fouille de données (Data Mining) ......................................................................................... 29
2.4 Evaluation et présentation ..................................................................................................... 29
3. Fouille de données (data mining) .................................................................................................. 30
3.1 Définition .............................................................................................................................. 30
3.2 Principales tâches de fouille de données ............................................................................... 31
3.2.1 La classification ............................................................................................................. 31
3.2.2 L'estimation ................................................................................................................... 31
3.2.3 La prédiction .................................................................................................................. 31
3.2.4 Les règles d'association ................................................................................................. 31
3.2.5 La segmentation ............................................................................................................ 32
4 Les méthodes de fouille de données .............................................................................................. 32
4.1 Segmentation ......................................................................................................................... 32
4.1.1 La méthode des K-Moyennes ........................................................................................ 32
4.1.2 Le FCM ......................................................................................................................... 33
4.1.3 Le PCM ......................................................................................................................... 34
4.2 Classification ......................................................................................................................... 34
4.2.1 Les arbres de décision ................................................................................................... 35
4.2.2 Les réseaux de neurones ................................................................................................ 35
5 Les règles d’association .................................................................................................. 36
5.1 Les Itemsets et autres éléments fondamentaux ..................................................................... 37
5.2 Le processus d’extraction des règles d’associations.............................................................. 37
5.2.1 Sélection et préparation des données ................................................................................... 38
5.2.2 Découverte des Itemsets fréquents ...................................................................................... 38
5.2.3 Génération des règles d’association ................................................................................... 38
5.2.4 Visualisation et interprétation des règles d’association ....................................................... 38
5.3 Types de motifs extraits ........................................................................................................ 38
5.3.1 Base de données binaires ............................................................................................... 39
5.3.2 Base de données quantitatives ....................................................................................... 39
5.3.3 Base de données temporelles ......................................................................................... 40
5.4 Mesure de qualité d’une règle d’association ......................................................................... 40
5.5 L’algorithme Apriori d’Agrawal ........................................................................................... 41
5.5.1 Les propriétés de l’algorithme Apriori .......................................................................... 42
5.5.2 Pseudo-code de l’algorithme APRIORI ........................................................................ 42
5.6 Algorithme de génération des règles d’association ............................................................... 43
5.7 Exemple d’extraction de règle d’association ......................................................................... 44
6. L’image Mining ....................................................................................................... 47
6.1 Transformation, filtrage et mise en forme .................................................................................. 47
6.2 Extraction des caractéristiques ................................................................................................... 47
6.3 Mise en oeuvre des méthodes de data mining ........................................................................ 48
8 Conclusion .................................................................................................................... 48
Théorie de la logique floue ................................................................................................... 49
1Introduction ......................................................................................................................... 50
1. La théorie des probabilités ............................................................................................................ 50
Le cadre bayésien .......................................................................................................................... 50
2. La théorie des croyances ............................................................................................................... 50
3. La théorie des Possibilités ............................................................................................................. 51
3.1.1 Mesure et distribution de possibilité .............................................................................. 51
3.1.2 Mesure de nécessité ....................................................................................................... 52
4. La logique flou .............................................................................................................................. 53
4.1 Logique classique et logique floue ........................................................................................ 53
4.2 Sous-ensembles flous ............................................................................................................ 54
4.3 L’univers de discoure ............................................................................................................ 54
4.4 Les variables linguistiques .................................................................................................... 55
4.5 Fonction d’appartenance ....................................................................................................... 55
4.6 Caractéristique d’un sous-ensemble floue ............................................................................. 56
4.7 Opérations sur les sous-ensembles flous ............................................................................... 57
4.8 Normes et Conormes triangulaires ........................................................................................ 59
4.8.1 Norme triangulaire, t-norme .......................................................................................... 59
Intersection définie par une t-norme : o ................................................................................ 59
4.8.2 Conorme triangulaire, t-conorme .................................................................................. 59
Union définie par une t-conorme :......................................................................................... 60
5. Les règles d’association floues ...................................................................................................... 60
5.1 Définitions : Item flou, Itemset flous, Itemset flous fréquent ..................................................... 61
5.2 Mesures de qualité des Itemsets flous .................................................................................. 61
5.2.1 Le degré d’un Itemset (X,A) ................................................................................................ 61
5.2.2 Supportd’un Itemset (Côte titre : MAI/0225 En ligne : https://drive.google.com/file/d/1mTQUGDxRwNvd3_DsM2de201TgrCKJGB-/view?usp=shari [...] Format de la ressource électronique : Extraction des connaissances à partir des séquences d’images d’expression génétique [texte imprimé] / Amaouche, Samiha, Auteur ; Mekroud,N, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (78 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé : Résumé
Dans ce travail, nous nous sommes intéressés à l’extraction des règles d’association floues à partir des séquencesd’images d’expression génétiquede l’espèce modèle « Edinburg Mouse ». Diverses techniques de prétraitement des images numériques ont été utilisées, commençant par l’indexation des images colorées en mode RVB, jusqu'à la sélection des variables les plus pertinentes pour réduire la complexité de l’algorithme développé. Ensuite on a représenté les données à traiter suivant les bases de la logique floue, en définissant ainsi une fonction d’appartenance de chaque attribut à chaque sous-ensemble flou. A la fin, on a généré les itemsets flous ainsi que les règles d’association floues suivant des seuils adéquats pour chaque paramètre de l’algorithme proposé. Ce travail a beaucoup enrichi nos connaissances dans le domaine de la bioinformatique, ainsi que dans la maitrise des techniques d’Extraction des Connaissances à partir de Données (ECD) et les méthodes de fouille des données. Aussi, ce projet nous a permis d’approfondir nos connaissances sur la méthode d’extraction des règles d’associations et sur les notions de la logique floue. Et enfin, on a appris aussi la programmation sous le puissant environnement de programmation MatLab, spécialement coté techniques de traitement d’images numériques. Nous proposons comme perspective d'inclure les aspects temporels présents dans la base de données d’expression génétique, fournissant ainsi des règles qui définissent les relations entre les différentes phases de développement de l’embryon de l’espèce modèle « Edinburgh MouseNote de contenu : Sommaire
Table des matières
REMERCIEMENTS ............................................................................................................................... 2
Introduction générale ........................................................................................................ 10
CHAPITRE 01 Etat de L’art sur la bionformatique
Etat de l’art sur la bioinformatique ..............................................................
1. Introduction .......................................................................................................... 13
2. Quelques définitions de la bio-informatique ................................................................................. 13
2.1 Définition 01.......................................................................................................................... 13
2.2 Définition 02.......................................................................................................................... 13
2.3 Définition 03.......................................................................................................................... 14
3. Historique .............................................................................................................. 14
4. L e but de la bioinformatique ........................................................................................................ 16
5. Les grands domaines d’application de la bioinformatique ............................................................ 16
6. Quelques précisions biologiques ................................................................................................... 17
7. Les Banques de données ............................................................................................................... 19
7.1 Les banques de données généralistes .................................................................................... 19
7.2 Les banques de données spécialisées ................................................................................... 19
7.3- Les images d’expression génétique ............................................................................................ 19
8. L’imagerie in vivo des expressions génétiques ............................................................................. 20
8.1 L’imagerie in vivo de l’embryon du « poisson zèbre » ............................................................. 20
8.2 L’imagerie in vivo de l’embryon de « Edinburgh Mouse » ...................................................... 21
8.2.1 L’embryon de la souri .............................................................................................................. 22
9. Conclusion ............................................................................................................... 25
Extraction des connaissances ................................................................................................................ 26
1. Introduction ......................................................................................................... 27
2. Extraction des connaissances à partir de données (ECD/KDD) .................................................... 27
2.1 Nettoyage et intégration des données .................................................................................... 28
2.2 Prétraitement des données ..................................................................................................... 28
2.3 Fouille de données (Data Mining) ......................................................................................... 29
2.4 Evaluation et présentation ..................................................................................................... 29
3. Fouille de données (data mining) .................................................................................................. 30
3.1 Définition .............................................................................................................................. 30
3.2 Principales tâches de fouille de données ............................................................................... 31
3.2.1 La classification ............................................................................................................. 31
3.2.2 L'estimation ................................................................................................................... 31
3.2.3 La prédiction .................................................................................................................. 31
3.2.4 Les règles d'association ................................................................................................. 31
3.2.5 La segmentation ............................................................................................................ 32
4 Les méthodes de fouille de données .............................................................................................. 32
4.1 Segmentation ......................................................................................................................... 32
4.1.1 La méthode des K-Moyennes ........................................................................................ 32
4.1.2 Le FCM ......................................................................................................................... 33
4.1.3 Le PCM ......................................................................................................................... 34
4.2 Classification ......................................................................................................................... 34
4.2.1 Les arbres de décision ................................................................................................... 35
4.2.2 Les réseaux de neurones ................................................................................................ 35
5 Les règles d’association .................................................................................................. 36
5.1 Les Itemsets et autres éléments fondamentaux ..................................................................... 37
5.2 Le processus d’extraction des règles d’associations.............................................................. 37
5.2.1 Sélection et préparation des données ................................................................................... 38
5.2.2 Découverte des Itemsets fréquents ...................................................................................... 38
5.2.3 Génération des règles d’association ................................................................................... 38
5.2.4 Visualisation et interprétation des règles d’association ....................................................... 38
5.3 Types de motifs extraits ........................................................................................................ 38
5.3.1 Base de données binaires ............................................................................................... 39
5.3.2 Base de données quantitatives ....................................................................................... 39
5.3.3 Base de données temporelles ......................................................................................... 40
5.4 Mesure de qualité d’une règle d’association ......................................................................... 40
5.5 L’algorithme Apriori d’Agrawal ........................................................................................... 41
5.5.1 Les propriétés de l’algorithme Apriori .......................................................................... 42
5.5.2 Pseudo-code de l’algorithme APRIORI ........................................................................ 42
5.6 Algorithme de génération des règles d’association ............................................................... 43
5.7 Exemple d’extraction de règle d’association ......................................................................... 44
6. L’image Mining ....................................................................................................... 47
6.1 Transformation, filtrage et mise en forme .................................................................................. 47
6.2 Extraction des caractéristiques ................................................................................................... 47
6.3 Mise en oeuvre des méthodes de data mining ........................................................................ 48
8 Conclusion .................................................................................................................... 48
Théorie de la logique floue ................................................................................................... 49
1Introduction ......................................................................................................................... 50
1. La théorie des probabilités ............................................................................................................ 50
Le cadre bayésien .......................................................................................................................... 50
2. La théorie des croyances ............................................................................................................... 50
3. La théorie des Possibilités ............................................................................................................. 51
3.1.1 Mesure et distribution de possibilité .............................................................................. 51
3.1.2 Mesure de nécessité ....................................................................................................... 52
4. La logique flou .............................................................................................................................. 53
4.1 Logique classique et logique floue ........................................................................................ 53
4.2 Sous-ensembles flous ............................................................................................................ 54
4.3 L’univers de discoure ............................................................................................................ 54
4.4 Les variables linguistiques .................................................................................................... 55
4.5 Fonction d’appartenance ....................................................................................................... 55
4.6 Caractéristique d’un sous-ensemble floue ............................................................................. 56
4.7 Opérations sur les sous-ensembles flous ............................................................................... 57
4.8 Normes et Conormes triangulaires ........................................................................................ 59
4.8.1 Norme triangulaire, t-norme .......................................................................................... 59
Intersection définie par une t-norme : o ................................................................................ 59
4.8.2 Conorme triangulaire, t-conorme .................................................................................. 59
Union définie par une t-conorme :......................................................................................... 60
5. Les règles d’association floues ...................................................................................................... 60
5.1 Définitions : Item flou, Itemset flous, Itemset flous fréquent ..................................................... 61
5.2 Mesures de qualité des Itemsets flous .................................................................................. 61
5.2.1 Le degré d’un Itemset (X,A) ................................................................................................ 61
5.2.2 Supportd’un Itemset (Côte titre : MAI/0225 En ligne : https://drive.google.com/file/d/1mTQUGDxRwNvd3_DsM2de201TgrCKJGB-/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0225 MAI/0225 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Extraction des éléments pertinents dans un texte Type de document : texte imprimé Auteurs : Soulef Elkolli, Auteur ; Amel Douar, Directeur de thèse Année de publication : 2022 Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : l'exploration de données Index. décimale : 004 Informatique Résumé :
Notre travail est a l’intersection des domaines suivant : le Text Minig, le traitement du langage naturel, l’extraction des informations et l’apprentissage des travaux pratique à distance.
L’objectif de notre travail est de générer un résumé automatique d’une feuille de TP. Pour cela on a proposé un processus de génération automatique qui intègre les techniques de Text Minig, les méthodes de Summurization du langage naturel et les différentes méthodes d’extraction de l’information.
Côte titre : MAI/0564 En ligne : https://docs.google.com/document/d/1MaQFgLqwDs6ErrPAcmeFmcJtXU_XnBxf/edit?usp=sh [...] Format de la ressource électronique : doc Extraction des éléments pertinents dans un texte [texte imprimé] / Soulef Elkolli, Auteur ; Amel Douar, Directeur de thèse . - 2022.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : l'exploration de données Index. décimale : 004 Informatique Résumé :
Notre travail est a l’intersection des domaines suivant : le Text Minig, le traitement du langage naturel, l’extraction des informations et l’apprentissage des travaux pratique à distance.
L’objectif de notre travail est de générer un résumé automatique d’une feuille de TP. Pour cela on a proposé un processus de génération automatique qui intègre les techniques de Text Minig, les méthodes de Summurization du langage naturel et les différentes méthodes d’extraction de l’information.
Côte titre : MAI/0564 En ligne : https://docs.google.com/document/d/1MaQFgLqwDs6ErrPAcmeFmcJtXU_XnBxf/edit?usp=sh [...] Format de la ressource électronique : doc Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0564 MAI/0564 Mémoire Bibliothéque des sciences Français Disponible
DisponibleExtraction des motifs séquentiels flous et possibilistes à partir des données d'expression génétique / el Mokhtar Adimi
Titre : Extraction des motifs séquentiels flous et possibilistes à partir des données d'expression génétique Type de document : texte imprimé Auteurs : el Mokhtar Adimi, Auteur ; Elkacem Djellal, Auteur ; Mekroud,Noureddine, Auteur Année de publication : 2022 Importance : 1 vol (76 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique
Client/serverIndex. décimale : 004 Informatique Résumé :
Les logiques floues et possibiliste ont un fort impact sur les techniques de fouille de données, particulièrement sur les règles d’association et les motifs séquentiels. Plusieurs recherches ont été effectuées basées sur une modélisation des données traitées via ces deux logiques.
Aussi, plusieurs adaptations des algorithmes de DataMining ont été proposées pour être en adéquation avec les deux logiques réaliste floue et possibiliste. Parmi les domaines d’études riches en données volumineuses et vitales se trouve la bio-informatique, le besoin d’intégrer des méthodes computationnelles, pour analyser et comprendre ces données, est d’une nécessité majeure.
Dans cette perspective, notre approche consiste en une critique et comparaison entre deux travaux réalisés précédemment, visant l’extraction des motifs séquentiels les plus fréquents cachées dans des images d’expression génétiques de l‘espèce modèle «Edinburgh Mouse», en utilisant deux approches de modélisation différentes (floue et possibiliste). Le but est de décider la logique de modélisation la plus adéquate à ce type de données étudiés, ainsi de proposer des suggestions utiles pour améliorer la qualité de ces modélisations, et ce après avoir discuté et interpréter biologiquement les résultats.Côte titre : MAI/0691 En ligne : https://drive.google.com/file/d/1GoJ4xfnTviR2RN7fFIssxV-nyNP7sp43/view?usp=share [...] Format de la ressource électronique : Extraction des motifs séquentiels flous et possibilistes à partir des données d'expression génétique [texte imprimé] / el Mokhtar Adimi, Auteur ; Elkacem Djellal, Auteur ; Mekroud,Noureddine, Auteur . - 2022 . - 1 vol (76 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique
Client/serverIndex. décimale : 004 Informatique Résumé :
Les logiques floues et possibiliste ont un fort impact sur les techniques de fouille de données, particulièrement sur les règles d’association et les motifs séquentiels. Plusieurs recherches ont été effectuées basées sur une modélisation des données traitées via ces deux logiques.
Aussi, plusieurs adaptations des algorithmes de DataMining ont été proposées pour être en adéquation avec les deux logiques réaliste floue et possibiliste. Parmi les domaines d’études riches en données volumineuses et vitales se trouve la bio-informatique, le besoin d’intégrer des méthodes computationnelles, pour analyser et comprendre ces données, est d’une nécessité majeure.
Dans cette perspective, notre approche consiste en une critique et comparaison entre deux travaux réalisés précédemment, visant l’extraction des motifs séquentiels les plus fréquents cachées dans des images d’expression génétiques de l‘espèce modèle «Edinburgh Mouse», en utilisant deux approches de modélisation différentes (floue et possibiliste). Le but est de décider la logique de modélisation la plus adéquate à ce type de données étudiés, ainsi de proposer des suggestions utiles pour améliorer la qualité de ces modélisations, et ce après avoir discuté et interpréter biologiquement les résultats.Côte titre : MAI/0691 En ligne : https://drive.google.com/file/d/1GoJ4xfnTviR2RN7fFIssxV-nyNP7sp43/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0691 MAI/0691 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Extraction des règles d'association en logique évidentielle : Modélisation des distances adéquates aux données d'expression génétique Type de document : texte imprimé Auteurs : Imene Loukia, Auteur ; Mariam Sidibe, Auteur ; Noureddine Mekroud, Directeur de thèse Année de publication : 2022 Importance : 1 vol (76 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
La théorie de croyance de Dempster Shafer est une théorie mathématique basée sur la
notion de preuves utilisant les fonctions de crédibilité et plausibilité. Cette théorie permet
de combiner des preuves distinctes, elle a un fort impact sur les méthodes de fouille de
données, elle peut être adaptée pour modéliser l'extraction des règles d'association.
Dans ce contexte, notre approche consiste à l'extraction des règles d'association évidentielles
à partir des séquences des images d'expression génétique de l'embryon de l'espèce
modèle Edinburg Mouse . Plusieurs techniques ont été utilisées pour réduire la complexit
é de l'algorithme. Il s'agit d'abord du prétraitement des images, ensuite la représentation
de l'imperfection des données traitées suivant le concept évidentiel, en dénissant
ainsi une fonction de masse de chaque attribut pour la génération des itemset évidentiels.
Puis, la génération des règles d'association évidentielles suivant des seuils adéquats pour
chaque paramètre de l'algorithme proposé.
Pour mesurer intérêt des règles d'association extraites coté nouveauté des connaissances
nous avons proposé deux formes de distance : une distance euclidienne entre les zones
d'expression génétique (en primal) et une distance de Khi-Deux entre les gènes qui coexpriment
(en dual). Enn une interprétation biologique via la plateforme string-db.org
est fournie pour aider les biologistes à bien exploiter les connaissances extraites.Côte titre : MAI/0566 En ligne : https://drive.google.com/file/d/1KVX2vadolcEwmwyMh_oqK4DPPg7pj28B/view?usp=share [...] Format de la ressource électronique : Extraction des règles d'association en logique évidentielle : Modélisation des distances adéquates aux données d'expression génétique [texte imprimé] / Imene Loukia, Auteur ; Mariam Sidibe, Auteur ; Noureddine Mekroud, Directeur de thèse . - 2022 . - 1 vol (76 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
La théorie de croyance de Dempster Shafer est une théorie mathématique basée sur la
notion de preuves utilisant les fonctions de crédibilité et plausibilité. Cette théorie permet
de combiner des preuves distinctes, elle a un fort impact sur les méthodes de fouille de
données, elle peut être adaptée pour modéliser l'extraction des règles d'association.
Dans ce contexte, notre approche consiste à l'extraction des règles d'association évidentielles
à partir des séquences des images d'expression génétique de l'embryon de l'espèce
modèle Edinburg Mouse . Plusieurs techniques ont été utilisées pour réduire la complexit
é de l'algorithme. Il s'agit d'abord du prétraitement des images, ensuite la représentation
de l'imperfection des données traitées suivant le concept évidentiel, en dénissant
ainsi une fonction de masse de chaque attribut pour la génération des itemset évidentiels.
Puis, la génération des règles d'association évidentielles suivant des seuils adéquats pour
chaque paramètre de l'algorithme proposé.
Pour mesurer intérêt des règles d'association extraites coté nouveauté des connaissances
nous avons proposé deux formes de distance : une distance euclidienne entre les zones
d'expression génétique (en primal) et une distance de Khi-Deux entre les gènes qui coexpriment
(en dual). Enn une interprétation biologique via la plateforme string-db.org
est fournie pour aider les biologistes à bien exploiter les connaissances extraites.Côte titre : MAI/0566 En ligne : https://drive.google.com/file/d/1KVX2vadolcEwmwyMh_oqK4DPPg7pj28B/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0566 MAI/0566 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : FAKE NEWS DETECTION ON SOCIAL MEDIA DOCUMENTS Type de document : texte imprimé Auteurs : Zineb Ferhat Hamida, Auteur ; Drif ahlem, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2023 Importance : 1 vol (98 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Informatique Mots-clés : Fake news
Social networks
Social bot detectionIndex. décimale : 004 Informatique Résumé :
Due to the rise of social media platforms, a new political, economical and cultural climate
arose in which the prevalence of fake news grew significantly. Thus, there are wide
implications of false information for both individuals and society. For humans, it is
difficult to identify and classify fake news through heuristics, common sense, and analysis.
The objective of this Ph.D. research is to suggest automated intelligent approaches for
detecting fake news sources, especially social bots. Social bots are autonomous entities that
generate significant social media content. In our thesis, we present two main contributions:
the first one presents “Sentiment Analysis-based Model for Bot Detection on Social
Media” (Deep Bi-LSTM) that incorporates different sentiment and semantic features to
perform the bots detection. Experiment on the cresci-2017 dataset shows that our approach
can achieve competitive performance with 97.36% of accuracy. The second contribution
captures the linguistic-based features by developing a novel framework that we have called
“Hybrid Mixing Engineered Linguistic framework Features Based on Autoencoder”. This
framework is split into two segments: the features learner and a deep neural networks
classifier. The feature learner aims at performing the feature extraction task due to a deep
autoencoder based on dense layers and a BiLSTM autoencoder. We enhance the feature
extractor: (i) by feeding the lexical and syntactic features to the first autoencoder to
represent the high-order features in latent space; (ii) by building the semantic and the
context features using the BiLSTM autoencoder; (iii) the merging of the two previous
trained encoder blocks would generate a compacted data based on elite features. This
architecture help us to discover human writing style patterns accurately. Experiments
conducted on real datasets show that a significant improvement can be achieved for finegrained bots detection with 92.22% of accuracy = En raison de la monte´e en puissance des plateformes de me´dias sociaux, un nouveau
climat politique, e´conomique et culturel est apparu dans lequel la pre´valence des fausses
nouvelles a conside´rablement augmente´. Ainsi, les fausses informations ont de vastes
implications tant pour les individus que pour la socie´te´. Pour les humains, il est difficile
d’identifier et de classer les fausses nouvelles par l’heuristique, le bon sens et l’analyse.
L’objectif de cette the`se de doctorat est de proposer des approches intelligentes automatise´es
pour de´tecter les fausses sources d’informations, en particulier les robots sociaux. Les
robots sociaux sont des entite´s autonomes qui ge´ne`rent un contenu important sur les re´seaux
sociaux. Dans notre the`se, nous pre´sentons deux contributions principales : la premie`re
approche est un mode`le “ Sentiment Analysis-based Model for Bot Detection on Social
Media ” (Deep Bi-LSTM) qui inte`gre diffe´rentes fonctionnalite´s de sentiment et de la
sémantique pour effectuer la de´tection des bots. Les expe´rimentations sur le jeu de donne´es
cresci-2017 montrent que notre approche peut atteindre des performances compe´titives avec
une précision de 97.36%. La deuxie`me contribution capture les fonctionnalite´s base´es sur la
linguistique en de´veloppant une nouvelle framework appele´e “Hybrid Mixing Engineered
Linguistic Features Framework Based on Autoencoder”. Cette framework comporte deux
composants : l’apprenant de caracte´ristiques et un classificateur de re´seaux de neurones
profonds. L’apprenant de fonctionnalite´s est constitue´ d’un autoencodeur profond base´ sur
des couches denses et un deuxie`me autoencodeur BiLSTM. Ce qui a permis d’extraire des
caracte´ristiques pertinentes par les encodeurs tout en appliquant l’apprentissage par
transfert. Cette architecture discerne correctement les diffe´rences dans le style d’e´criture
des humains et des bots. Ensuite, les initialisation des classificateurs avec les
fonctionnalite´s transfe´re´es a nettement ame´liore´ les performances de la de´tection de bots
avec un précision de 92.22%.Côte titre : DI/0077 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/4269 Format de la ressource électronique : FAKE NEWS DETECTION ON SOCIAL MEDIA DOCUMENTS [texte imprimé] / Zineb Ferhat Hamida, Auteur ; Drif ahlem, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2023 . - 1 vol (98 f.) ; 29 cm.
Langues : Anglais (eng)
Catégories : Informatique Mots-clés : Fake news
Social networks
Social bot detectionIndex. décimale : 004 Informatique Résumé :
Due to the rise of social media platforms, a new political, economical and cultural climate
arose in which the prevalence of fake news grew significantly. Thus, there are wide
implications of false information for both individuals and society. For humans, it is
difficult to identify and classify fake news through heuristics, common sense, and analysis.
The objective of this Ph.D. research is to suggest automated intelligent approaches for
detecting fake news sources, especially social bots. Social bots are autonomous entities that
generate significant social media content. In our thesis, we present two main contributions:
the first one presents “Sentiment Analysis-based Model for Bot Detection on Social
Media” (Deep Bi-LSTM) that incorporates different sentiment and semantic features to
perform the bots detection. Experiment on the cresci-2017 dataset shows that our approach
can achieve competitive performance with 97.36% of accuracy. The second contribution
captures the linguistic-based features by developing a novel framework that we have called
“Hybrid Mixing Engineered Linguistic framework Features Based on Autoencoder”. This
framework is split into two segments: the features learner and a deep neural networks
classifier. The feature learner aims at performing the feature extraction task due to a deep
autoencoder based on dense layers and a BiLSTM autoencoder. We enhance the feature
extractor: (i) by feeding the lexical and syntactic features to the first autoencoder to
represent the high-order features in latent space; (ii) by building the semantic and the
context features using the BiLSTM autoencoder; (iii) the merging of the two previous
trained encoder blocks would generate a compacted data based on elite features. This
architecture help us to discover human writing style patterns accurately. Experiments
conducted on real datasets show that a significant improvement can be achieved for finegrained bots detection with 92.22% of accuracy = En raison de la monte´e en puissance des plateformes de me´dias sociaux, un nouveau
climat politique, e´conomique et culturel est apparu dans lequel la pre´valence des fausses
nouvelles a conside´rablement augmente´. Ainsi, les fausses informations ont de vastes
implications tant pour les individus que pour la socie´te´. Pour les humains, il est difficile
d’identifier et de classer les fausses nouvelles par l’heuristique, le bon sens et l’analyse.
L’objectif de cette the`se de doctorat est de proposer des approches intelligentes automatise´es
pour de´tecter les fausses sources d’informations, en particulier les robots sociaux. Les
robots sociaux sont des entite´s autonomes qui ge´ne`rent un contenu important sur les re´seaux
sociaux. Dans notre the`se, nous pre´sentons deux contributions principales : la premie`re
approche est un mode`le “ Sentiment Analysis-based Model for Bot Detection on Social
Media ” (Deep Bi-LSTM) qui inte`gre diffe´rentes fonctionnalite´s de sentiment et de la
sémantique pour effectuer la de´tection des bots. Les expe´rimentations sur le jeu de donne´es
cresci-2017 montrent que notre approche peut atteindre des performances compe´titives avec
une précision de 97.36%. La deuxie`me contribution capture les fonctionnalite´s base´es sur la
linguistique en de´veloppant une nouvelle framework appele´e “Hybrid Mixing Engineered
Linguistic Features Framework Based on Autoencoder”. Cette framework comporte deux
composants : l’apprenant de caracte´ristiques et un classificateur de re´seaux de neurones
profonds. L’apprenant de fonctionnalite´s est constitue´ d’un autoencodeur profond base´ sur
des couches denses et un deuxie`me autoencodeur BiLSTM. Ce qui a permis d’extraire des
caracte´ristiques pertinentes par les encodeurs tout en appliquant l’apprentissage par
transfert. Cette architecture discerne correctement les diffe´rences dans le style d’e´criture
des humains et des bots. Ensuite, les initialisation des classificateurs avec les
fonctionnalite´s transfe´re´es a nettement ame´liore´ les performances de la de´tection de bots
avec un précision de 92.22%.Côte titre : DI/0077 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/4269 Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0077 DI/0077 Thèse Bibliothéque des sciences Anglais Disponible
DisponibleFast fuzzy c-menas for mr brain image segmentation / Serti,Chouaib
PermalinkPermalinkFDDI:Réseau haut débit / A Shah
PermalinkFeature selection approach based on particle swarm optimization algorithm in virtual screening process / Abderrahim Nouioua
PermalinkFeature Selection Using Gray Wolf Optimizer For Arabic Text Classification / Nour El Im`ene Kharmouche
PermalinkPermalinkPermalinkFiltrage des images m´edicales bas´e sur l’EDP (EDP-based medical image filtering) / Chaima Benhafed
PermalinkFonctions, formules et VBA pour Excel 2013 / Pierre Polard
PermalinkFormalisation de Protocolesd'Interaction FIPA avec Maude Déploiement sous Jade du SMA / Samir Bouchiha
Permalink