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
Gestion de trafic urbain dans la ville de Sétif a l'aide des réseaux de capteurs sans fil / Harroun,amine
Titre : Gestion de trafic urbain dans la ville de Sétif a l'aide des réseaux de capteurs sans fil Type de document : texte imprimé Auteurs : Harroun,amine ; SEMCHEDINE, FOUZI, Directeur de thèse Editeur : Setif:UFA Année de publication : 2016 Importance : 1 vol (66f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux
Systèmes distribués
Transport Intelligents
trafic routier
capteurs sans filIndex. décimale : 004 Informatique Résumé : Résumé
La circulation des véhicules est en constante augmentation dans le monde entier ; en
particulier, dans les grandes zones urbaines. La congestion qui en résulte est devenue une
préoccupation majeure pour les spécialistes du transport. Les méthodes existantes pour la
gestion du trafic, la surveillance et le contrôle ne sont pas suffisamment efficaces en termes de
performance, de coût, d'entretien et de soutien. Par conséquence il est devenu indispensable
d’utiliser des Systèmes de Transport Intelligents (STI). Dans ce mémoire, nous nous sommes
intéressés à la modélisation du trafic urbain de la ville de Sétif en considérant un réseau de
capteurs sans fil afin de gérer dynamiquement les feux de circulation au niveau des
intersections. Le modèle se base sur un mode de contrôle par phase et utilise des algorithmes
de communication et de gestion de temps. Les résultats de simulation ont montré l'efficacité
du modèle proposé pour la résolution du problème de la congestion du trafic, en termes de
temps d'attente moyen et de longueur de la file d'attente des véhiculesNote de contenu : Table des matières
Introduction général ………………………………………………………………………...... 5
Chapitre I
Réseaux de capteurs sans fil.
1.1. Définitions ……………………………………………………………………………..... 8
1.1.1. Un capteur sans fil …………………………………………………………………... 8
1.1.2. Un capteur électromagnétique ………………………………………………………. 9
1.2. Architecture d’un nœud ………………………………………………………….……… 9
1.2.1. Unité de capture ………………………………………………………….………… 10
1.2.2. Unité de traitement …………………………………………………………………. 10
1.2.3. Unité de communication …………………………………………………………… 10
1.2.4. La batterie ………………………………………………………………………..… 11
1.3. Réseaux de capteurs sans fil …………………………………………………………… 11
1.3.1. Architecture d’un réseau de capteur sans fil ……………………………………..… 12
1.3.1.1. La topologie plate ……………………………………………………………… 12
1.3.1.2. La topologie hiérarchique ou à base de cluster ………………………………... 12
1.4. Contraintes de conception des RCSF …………………………………………………... 13
1.5. Domaines d’application ……………………………………………………………….. 15
1.5.1. Application militaires ……………………………………………………………… 15
1.5.2. Application environnementales …………………………………………………….. 15
1.5.3. Application médical ……………………………………………………………….. 16
1.5.4. Autres applications …………………………………………………………………. 17
Chapitre II
Gestion du trafic routier.
2.1. Congestion urbaine …..………………………………………………………………… 18
2.1.1. Définition de la congestion ………………………………………………………… 19
2.1.2. Les causes de la congestion routière dans les zones urbaines ……………………… 19
2.1.3. Evaluation de la congestion ……………………………………………………...… 20
2.2. Système de Transport Intelligent (STI) ………………………………………………… 21
2.2.1. Application des STI à l’exploitation des réseaux routiers …………………………. 21
2.2.2. Contexte et application au milieu urbain ………………………………………...… 22
2.3. Contrôle dynamique par une infrastructure …………………………………………..… 24
2.3.1. Les carrefours à feux ……………………………………………………………….. 24
2.3.2. La régulation dans un carrefour à feux …………………………………………..… 25
2.4. Outils théoriques ……………………………………………………………………….. 27
2.4.1. Contrôle par logique floue …………………………………………………………. 27
2.4.2. Algorithmes génétiques …………………………………………………………….. 28
2.4.3. Réseaux de neurones ……………………………………………………………..… 29
2.4.4. Chaînes de Markov ………………………………………………………………… 30
2.4.5. Théorie des files d’attente ………………………………………………………….. 30
2.4.5.1. Processus des arrivées ………………………………………………………….. 32
2.4.5.2. Processus des services ………………………………………………………..… 32
2.4.5.3. La notion de Kendall …………………………………………………………… 33
2.4.5.4. File d’attente M/M/1 …………………………………………………………… 33
2.4.6. Réseaux des files d’attente …………………………………………………………. 34
2.4.6.1. Les réseaux ouverts …………………………………………………………….. 34
2.4.6.2. Les réseaux fermés ……………………………………………………………... 35
2.4.6.3. Les réseaux multi-classes …………………………………………………….… 35
Chapitre III
Modélisation d’un trafic urbain à base de réseau de capteurs sans fil.
3.1. Principe de fonctionnement ……………………………………………………………. 37
3.2. Modélisation des trois intersections à base des RCSFs ……………………………… .. 37
3.3. Présentation des différents chemins ……………………………………………………. 41
3.4. Algorithme de contrôle du trafic pour une intersection ………………………………... 42
3.4.1. Algorithme de gestion du système de communication TSCA ……………………... 43
3.4.2. Algorithme de gestion du temps des feux de circulation TSTMA ……………….... 43
3.4.2.1. Corps de l’algorithme TSTMA ………………………………………………… 45
Chapitre IV
Simulation et évaluation des performances.
4.1. Description du simulateur et paramètres de simulation ………………………………... 48
4.2. Résultats de simulation ……………………………………………………………….... 49
4.2.1. Résultats pour une seule intersection ………………………………………………. 49
4.2.1.1. Discussion ………………………………………………………………..…….. 54
4.2.2. Résultats pour plusieurs intersections ……………………………………………… 54
4.2.2.1. Discussion …………………………………………………………………….... 61
Conclusion général ……………………………………………………………………….… 62
Bibliographie ……………………………………………………………………………….. 64Côte titre : MAI/0117 En ligne : https://drive.google.com/file/d/1XhLVDF8aXFV_k4q2eqTmu46Nmg205ER0/view?usp=shari [...] Format de la ressource électronique : Gestion de trafic urbain dans la ville de Sétif a l'aide des réseaux de capteurs sans fil [texte imprimé] / Harroun,amine ; SEMCHEDINE, FOUZI, Directeur de thèse . - [S.l.] : Setif:UFA, 2016 . - 1 vol (66f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux
Systèmes distribués
Transport Intelligents
trafic routier
capteurs sans filIndex. décimale : 004 Informatique Résumé : Résumé
La circulation des véhicules est en constante augmentation dans le monde entier ; en
particulier, dans les grandes zones urbaines. La congestion qui en résulte est devenue une
préoccupation majeure pour les spécialistes du transport. Les méthodes existantes pour la
gestion du trafic, la surveillance et le contrôle ne sont pas suffisamment efficaces en termes de
performance, de coût, d'entretien et de soutien. Par conséquence il est devenu indispensable
d’utiliser des Systèmes de Transport Intelligents (STI). Dans ce mémoire, nous nous sommes
intéressés à la modélisation du trafic urbain de la ville de Sétif en considérant un réseau de
capteurs sans fil afin de gérer dynamiquement les feux de circulation au niveau des
intersections. Le modèle se base sur un mode de contrôle par phase et utilise des algorithmes
de communication et de gestion de temps. Les résultats de simulation ont montré l'efficacité
du modèle proposé pour la résolution du problème de la congestion du trafic, en termes de
temps d'attente moyen et de longueur de la file d'attente des véhiculesNote de contenu : Table des matières
Introduction général ………………………………………………………………………...... 5
Chapitre I
Réseaux de capteurs sans fil.
1.1. Définitions ……………………………………………………………………………..... 8
1.1.1. Un capteur sans fil …………………………………………………………………... 8
1.1.2. Un capteur électromagnétique ………………………………………………………. 9
1.2. Architecture d’un nœud ………………………………………………………….……… 9
1.2.1. Unité de capture ………………………………………………………….………… 10
1.2.2. Unité de traitement …………………………………………………………………. 10
1.2.3. Unité de communication …………………………………………………………… 10
1.2.4. La batterie ………………………………………………………………………..… 11
1.3. Réseaux de capteurs sans fil …………………………………………………………… 11
1.3.1. Architecture d’un réseau de capteur sans fil ……………………………………..… 12
1.3.1.1. La topologie plate ……………………………………………………………… 12
1.3.1.2. La topologie hiérarchique ou à base de cluster ………………………………... 12
1.4. Contraintes de conception des RCSF …………………………………………………... 13
1.5. Domaines d’application ……………………………………………………………….. 15
1.5.1. Application militaires ……………………………………………………………… 15
1.5.2. Application environnementales …………………………………………………….. 15
1.5.3. Application médical ……………………………………………………………….. 16
1.5.4. Autres applications …………………………………………………………………. 17
Chapitre II
Gestion du trafic routier.
2.1. Congestion urbaine …..………………………………………………………………… 18
2.1.1. Définition de la congestion ………………………………………………………… 19
2.1.2. Les causes de la congestion routière dans les zones urbaines ……………………… 19
2.1.3. Evaluation de la congestion ……………………………………………………...… 20
2.2. Système de Transport Intelligent (STI) ………………………………………………… 21
2.2.1. Application des STI à l’exploitation des réseaux routiers …………………………. 21
2.2.2. Contexte et application au milieu urbain ………………………………………...… 22
2.3. Contrôle dynamique par une infrastructure …………………………………………..… 24
2.3.1. Les carrefours à feux ……………………………………………………………….. 24
2.3.2. La régulation dans un carrefour à feux …………………………………………..… 25
2.4. Outils théoriques ……………………………………………………………………….. 27
2.4.1. Contrôle par logique floue …………………………………………………………. 27
2.4.2. Algorithmes génétiques …………………………………………………………….. 28
2.4.3. Réseaux de neurones ……………………………………………………………..… 29
2.4.4. Chaînes de Markov ………………………………………………………………… 30
2.4.5. Théorie des files d’attente ………………………………………………………….. 30
2.4.5.1. Processus des arrivées ………………………………………………………….. 32
2.4.5.2. Processus des services ………………………………………………………..… 32
2.4.5.3. La notion de Kendall …………………………………………………………… 33
2.4.5.4. File d’attente M/M/1 …………………………………………………………… 33
2.4.6. Réseaux des files d’attente …………………………………………………………. 34
2.4.6.1. Les réseaux ouverts …………………………………………………………….. 34
2.4.6.2. Les réseaux fermés ……………………………………………………………... 35
2.4.6.3. Les réseaux multi-classes …………………………………………………….… 35
Chapitre III
Modélisation d’un trafic urbain à base de réseau de capteurs sans fil.
3.1. Principe de fonctionnement ……………………………………………………………. 37
3.2. Modélisation des trois intersections à base des RCSFs ……………………………… .. 37
3.3. Présentation des différents chemins ……………………………………………………. 41
3.4. Algorithme de contrôle du trafic pour une intersection ………………………………... 42
3.4.1. Algorithme de gestion du système de communication TSCA ……………………... 43
3.4.2. Algorithme de gestion du temps des feux de circulation TSTMA ……………….... 43
3.4.2.1. Corps de l’algorithme TSTMA ………………………………………………… 45
Chapitre IV
Simulation et évaluation des performances.
4.1. Description du simulateur et paramètres de simulation ………………………………... 48
4.2. Résultats de simulation ……………………………………………………………….... 49
4.2.1. Résultats pour une seule intersection ………………………………………………. 49
4.2.1.1. Discussion ………………………………………………………………..…….. 54
4.2.2. Résultats pour plusieurs intersections ……………………………………………… 54
4.2.2.1. Discussion …………………………………………………………………….... 61
Conclusion général ……………………………………………………………………….… 62
Bibliographie ……………………………………………………………………………….. 64Côte titre : MAI/0117 En ligne : https://drive.google.com/file/d/1XhLVDF8aXFV_k4q2eqTmu46Nmg205ER0/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0117 MAI/0117 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Gesture Recognition in American Sign Language Using Deep Learning Approaches Type de document : texte imprimé Auteurs : Laouarem ,Ayoub, Auteur ; Moussaou,iAbdelouahab, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (73 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Langues des signe
ysteme de reconnaissance
Apprentissage profond
Apprentissage
automatique, Gestes en ASL,Index. décimale : 004 Informatique Résumé : Les langues des signes sont des langues naturelles utilisees principalement par les personnes
sourdes et malentendantes. Il est utilise par environ 70 millions de personnes dans
le monde. Par consequent, un systeme de reconnaissance pourrait ^etre utile pour les sourds
et les personnes normales.
Ce travail presente un systeme de reconnaissance qui applique un apprentissage en
profondeur pour detecter et predire automatiquement le geste ASL ou ces gestes sont des
alphabets et des chires. L'approche a ete formee et testee a l'aide de deux jeux de donnees
(lettres et chires), comprenant une image de vingt-six lettres (de A a Z) et dix chires (de
zero a neuf). En plus de l'approche profonde qui etait les reseaux de neurones convolutionnels,
deux methodes classiques de classication/algorithmes d'apprentissage automatique
(machine a vecteurs de support et for^et aleatoire) etait construits, et leur rapport de classi
cation etait bon et acceptable. CNN a pu reconna^tre les 26 lettres et les 10 chires avec
une grande precision, comme suit: 99,61% et 98,55% respectivement.Note de contenu : Dedications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
Acknowledgements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
Table of Contents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
List of Figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x
List of Tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xii
List of Abbreviations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii
Chapter
General Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1 Theoretical Basis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 What is Machine Learning? . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1.1 General Denitions . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1.2 ML system Example . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Why Machine Learning? . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 ML Types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . 5
1.2.3.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . 7
1.2.3.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . 8
1.2.4 Some ML Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.4.1 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.4.2 K-Nearest Neighbor . . . . . . . . . . . . . . . . . . . . . 9
1.2.4.3 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . 10
vi
1.2.4.4 Support Vector Machine . . . . . . . . . . . . . . . . . . . 11
1.2.4.5 Random Forest . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.4.6 Neural Networks . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.5 Overtting and Undertting . . . . . . . . . . . . . . . . . . . . . . 21
1.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.1 Denition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2 Basic Notion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2.1 Layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2.2 Activation function . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2.3 Loss function . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2.4 Optimization methods . . . . . . . . . . . . . . . . . . . . 23
1.3.2.5 Hyper-parameters . . . . . . . . . . . . . . . . . . . . . . 24
1.3.2.6 Dropout . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.3.3 Deep Learning Architectures . . . . . . . . . . . . . . . . . . . . . . 24
1.3.3.1 Convolutional Neural Networks . . . . . . . . . . . . . . . 25
1.3.3.2 Recurrent Neural Networks . . . . . . . . . . . . . . . . . 28
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2 Literature Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2 American Sign Language . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3 ASL Gesture Recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.1 Data Acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.3 Characteristics Extraction . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.4 Classication and Decision . . . . . . . . . . . . . . . . . . . . . . . 36
2.4 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3 Methodology and Implementation Frameworks . . . . . . . . . . . . . . . . . . . 41
vii
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.1 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.1.1 Kaggle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.1.2 Google Colaboratory . . . . . . . . . . . . . . . . . . . . . 43
3.3.1.3 Personal Computer . . . . . . . . . . . . . . . . . . . . . . 44
3.3.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.2.2 Python Libraries . . . . . . . . . . . . . . . . . . . . . . . 44
3.4 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.1 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.2 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4.3 Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4.3.1 Machine Learning Approaches . . . . . . . . . . . . . . . . 47
3.4.3.2 Deep Learning Approaches . . . . . . . . . . . . . . . . . 49
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4 Experimental Results and Discussion . . . . . . . . . . . . . . . . . . . . . . . . 52
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.3.1 Machine Learning Approaches . . . . . . . . . . . . . . . . . . . . . 53
4.3.2 Deep Learning Approaches . . . . . . . . . . . . . . . . . . . . . . . 56
4.3.2.1 Experiment Setting . . . . . . . . . . . . . . . . . . . . . . 56
4.3.2.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.4 Results Comparison and Discussion . . . . . . . . . . . . . . . . . . . . . . 63
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
General Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
viii
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Appendix A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
ixCôte titre : MAI/0281 En ligne : https://drive.google.com/file/d/1lzJD-AnAJVYuJ8in5O4ChWvLp8HkmdQ9/view?usp=shari [...] Format de la ressource électronique : Gesture Recognition in American Sign Language Using Deep Learning Approaches [texte imprimé] / Laouarem ,Ayoub, Auteur ; Moussaou,iAbdelouahab, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (73 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Langues des signe
ysteme de reconnaissance
Apprentissage profond
Apprentissage
automatique, Gestes en ASL,Index. décimale : 004 Informatique Résumé : Les langues des signes sont des langues naturelles utilisees principalement par les personnes
sourdes et malentendantes. Il est utilise par environ 70 millions de personnes dans
le monde. Par consequent, un systeme de reconnaissance pourrait ^etre utile pour les sourds
et les personnes normales.
Ce travail presente un systeme de reconnaissance qui applique un apprentissage en
profondeur pour detecter et predire automatiquement le geste ASL ou ces gestes sont des
alphabets et des chires. L'approche a ete formee et testee a l'aide de deux jeux de donnees
(lettres et chires), comprenant une image de vingt-six lettres (de A a Z) et dix chires (de
zero a neuf). En plus de l'approche profonde qui etait les reseaux de neurones convolutionnels,
deux methodes classiques de classication/algorithmes d'apprentissage automatique
(machine a vecteurs de support et for^et aleatoire) etait construits, et leur rapport de classi
cation etait bon et acceptable. CNN a pu reconna^tre les 26 lettres et les 10 chires avec
une grande precision, comme suit: 99,61% et 98,55% respectivement.Note de contenu : Dedications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
Acknowledgements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
Table of Contents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
List of Figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x
List of Tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xii
List of Abbreviations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii
Chapter
General Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1 Theoretical Basis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 What is Machine Learning? . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1.1 General Denitions . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1.2 ML system Example . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Why Machine Learning? . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 ML Types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . 5
1.2.3.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . 7
1.2.3.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . 8
1.2.4 Some ML Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.4.1 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.4.2 K-Nearest Neighbor . . . . . . . . . . . . . . . . . . . . . 9
1.2.4.3 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . 10
vi
1.2.4.4 Support Vector Machine . . . . . . . . . . . . . . . . . . . 11
1.2.4.5 Random Forest . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.4.6 Neural Networks . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.5 Overtting and Undertting . . . . . . . . . . . . . . . . . . . . . . 21
1.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.1 Denition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2 Basic Notion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2.1 Layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2.2 Activation function . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2.3 Loss function . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2.4 Optimization methods . . . . . . . . . . . . . . . . . . . . 23
1.3.2.5 Hyper-parameters . . . . . . . . . . . . . . . . . . . . . . 24
1.3.2.6 Dropout . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.3.3 Deep Learning Architectures . . . . . . . . . . . . . . . . . . . . . . 24
1.3.3.1 Convolutional Neural Networks . . . . . . . . . . . . . . . 25
1.3.3.2 Recurrent Neural Networks . . . . . . . . . . . . . . . . . 28
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2 Literature Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2 American Sign Language . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3 ASL Gesture Recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.1 Data Acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.3 Characteristics Extraction . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.4 Classication and Decision . . . . . . . . . . . . . . . . . . . . . . . 36
2.4 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3 Methodology and Implementation Frameworks . . . . . . . . . . . . . . . . . . . 41
vii
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.1 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.1.1 Kaggle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.1.2 Google Colaboratory . . . . . . . . . . . . . . . . . . . . . 43
3.3.1.3 Personal Computer . . . . . . . . . . . . . . . . . . . . . . 44
3.3.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.2.2 Python Libraries . . . . . . . . . . . . . . . . . . . . . . . 44
3.4 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.1 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.2 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4.3 Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4.3.1 Machine Learning Approaches . . . . . . . . . . . . . . . . 47
3.4.3.2 Deep Learning Approaches . . . . . . . . . . . . . . . . . 49
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4 Experimental Results and Discussion . . . . . . . . . . . . . . . . . . . . . . . . 52
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.3.1 Machine Learning Approaches . . . . . . . . . . . . . . . . . . . . . 53
4.3.2 Deep Learning Approaches . . . . . . . . . . . . . . . . . . . . . . . 56
4.3.2.1 Experiment Setting . . . . . . . . . . . . . . . . . . . . . . 56
4.3.2.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.4 Results Comparison and Discussion . . . . . . . . . . . . . . . . . . . . . . 63
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
General Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
viii
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Appendix A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
ixCôte titre : MAI/0281 En ligne : https://drive.google.com/file/d/1lzJD-AnAJVYuJ8in5O4ChWvLp8HkmdQ9/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0281 MAI/0281 Mémoire Bibliothéque des sciences Français Disponible
DisponibleGIS for dummies / Michael N. DeMers
Titre : GIS for dummies Type de document : texte imprimé Auteurs : Michael N. DeMers Mention d'édition : 1st ed. Editeur : Indianpaolis, IN : Wiley Pub., inc. Année de publication : 2009 Importance : 1 vol (360 p.) Présentation : ill. Format : 24 cm ISBN/ISSN/EAN : 978-0-470-23682-6 Catégories : Informatique Mots-clés : Systèmes d'information géographique Index. décimale : 004 Informatique Résumé :
GIS (système d'information géographique) est une technologie totalement cool qui a été appelée géographie sur les stéroïdes. Le SIG est ce qui vous permet de voir les écoles dans votre quartier ou vous indique où se trouve le McDonald's le plus proche. GIS For Dummies vous dit tout sur la cartographie terminologique et la cartographie numérique, comment localiser les caractéristiques géographiques et analyser les modèles tels que les rues et les voies navigables, et comment générer des directions de voyage, listes de clients et bien plus encore avec SIG.
Que vous soyez en charge de créer des applications SIG pour votre entreprise ou que vous adoriez simplement les cartes, vous trouverez que GIS For Dummies est rempli d'informations. Par exemple, vous pouvez:
Apprenez tout le matériel et les logiciels nécessaires pour collecter, analyser et manipuler les données SIG
Explorez la différence entre les cartes 2D et 3D, créez une carte ou gérez plusieurs cartes
Analyser les modèles qui apparaissent dans les cartes et interpréter les résultats
Mesurez la distance de manière absolue, comparative et fonctionnelle
Reconnaître comment les facteurs spatiaux se rapportent aux données géographiques
Découvrez comment les SIG sont utilisés dans les affaires, l'armée, l'urbanisme, les services d'urgence, la gestion des terres, etc.
Découvrez comment les SIG peuvent vous aider à savoir où les inondations peuvent se produire
Déterminez les besoins de votre organisation, effectuez des analyses appropriées et planifiez et concevez réellement un système SIG
Vous trouverez des dizaines d'applications pour les requêtes et les analyses SIG, et même apprendre à créer une sortie GIS animée. Que votre objectif soit de mettre en œuvre un SIG ou simplement de vous amuser, GIS For Dummies vous y amènera!Note de contenu :
Sommaire
Introduction 1
Part I: GIS: Geography on Steroids 7
Chapter 1: Seeing the Scope of GIS 9
Chapter 2: Recognizing How Maps Show Information 23
Chapter 3: Reading, Analyzing, and Interpreting Maps 39
Part II: Geography Goes Digital 57
Chapter 4: Creating a Conceptual Model 59
Chapter 5: Understanding the GIS Data Models 73
Chapter 6: Keeping Track of Data Descriptions 93
Chapter 7: Managing Multiple Maps 109
Chapter 8: Gathering and Digitizing Geographic Data 117
Part III: Retrieving, Counting, and Characterizing Geography 135
Chapter 9: Finding Information in Raster Systems 137
Chapter 10: Finding Features in Vector Systems 147
Chapter 11: Searching for Geographic Objects, Distributions, and Groups 65
Part IV: Analyzing Geographic Patterns 181
Chapter 12: Measuring Distance 183
Chapter 13: Working with Statistical Surfaces 199
Chapter 14: Exploring Topographical Surfaces 213
Chapter 15: Working with Networks 225
Chapter 16: Comparing Multiple Maps 239
Chapter 17: Map Algebra and Model Building 253
Part V: GIS Output and Application 277
Chapter 18: Producing Cartographic Output 279
Chapter 19: Generating Non–Cartographic Output 293
Chapter 20: GIS in Organizations 301
Part VI: The Part of Tens 315
Chapter 21: Ten GIS Software Vendors 317
Chapter 22: Ten Questions to Ask Potential Vendors 329
Chapter 23: Ten GIS Data Sources 333
Index 343Côte titre : Fs/19762 GIS for dummies [texte imprimé] / Michael N. DeMers . - 1st ed. . - Indianpaolis, IN : Wiley Pub., inc., 2009 . - 1 vol (360 p.) : ill. ; 24 cm.
ISBN : 978-0-470-23682-6
Catégories : Informatique Mots-clés : Systèmes d'information géographique Index. décimale : 004 Informatique Résumé :
GIS (système d'information géographique) est une technologie totalement cool qui a été appelée géographie sur les stéroïdes. Le SIG est ce qui vous permet de voir les écoles dans votre quartier ou vous indique où se trouve le McDonald's le plus proche. GIS For Dummies vous dit tout sur la cartographie terminologique et la cartographie numérique, comment localiser les caractéristiques géographiques et analyser les modèles tels que les rues et les voies navigables, et comment générer des directions de voyage, listes de clients et bien plus encore avec SIG.
Que vous soyez en charge de créer des applications SIG pour votre entreprise ou que vous adoriez simplement les cartes, vous trouverez que GIS For Dummies est rempli d'informations. Par exemple, vous pouvez:
Apprenez tout le matériel et les logiciels nécessaires pour collecter, analyser et manipuler les données SIG
Explorez la différence entre les cartes 2D et 3D, créez une carte ou gérez plusieurs cartes
Analyser les modèles qui apparaissent dans les cartes et interpréter les résultats
Mesurez la distance de manière absolue, comparative et fonctionnelle
Reconnaître comment les facteurs spatiaux se rapportent aux données géographiques
Découvrez comment les SIG sont utilisés dans les affaires, l'armée, l'urbanisme, les services d'urgence, la gestion des terres, etc.
Découvrez comment les SIG peuvent vous aider à savoir où les inondations peuvent se produire
Déterminez les besoins de votre organisation, effectuez des analyses appropriées et planifiez et concevez réellement un système SIG
Vous trouverez des dizaines d'applications pour les requêtes et les analyses SIG, et même apprendre à créer une sortie GIS animée. Que votre objectif soit de mettre en œuvre un SIG ou simplement de vous amuser, GIS For Dummies vous y amènera!Note de contenu :
Sommaire
Introduction 1
Part I: GIS: Geography on Steroids 7
Chapter 1: Seeing the Scope of GIS 9
Chapter 2: Recognizing How Maps Show Information 23
Chapter 3: Reading, Analyzing, and Interpreting Maps 39
Part II: Geography Goes Digital 57
Chapter 4: Creating a Conceptual Model 59
Chapter 5: Understanding the GIS Data Models 73
Chapter 6: Keeping Track of Data Descriptions 93
Chapter 7: Managing Multiple Maps 109
Chapter 8: Gathering and Digitizing Geographic Data 117
Part III: Retrieving, Counting, and Characterizing Geography 135
Chapter 9: Finding Information in Raster Systems 137
Chapter 10: Finding Features in Vector Systems 147
Chapter 11: Searching for Geographic Objects, Distributions, and Groups 65
Part IV: Analyzing Geographic Patterns 181
Chapter 12: Measuring Distance 183
Chapter 13: Working with Statistical Surfaces 199
Chapter 14: Exploring Topographical Surfaces 213
Chapter 15: Working with Networks 225
Chapter 16: Comparing Multiple Maps 239
Chapter 17: Map Algebra and Model Building 253
Part V: GIS Output and Application 277
Chapter 18: Producing Cartographic Output 279
Chapter 19: Generating Non–Cartographic Output 293
Chapter 20: GIS in Organizations 301
Part VI: The Part of Tens 315
Chapter 21: Ten GIS Software Vendors 317
Chapter 22: Ten Questions to Ask Potential Vendors 329
Chapter 23: Ten GIS Data Sources 333
Index 343Côte titre : Fs/19762 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité Fs/19762 Fs/19762 Livre Bibliothéque des sciences Français Disponible
DisponibleLes grammaires à clauses définies pour le traitement automatique des langages naturelles / HARRACHE, Rima
Titre : Les grammaires à clauses définies pour le traitement automatique des langages naturelles Type de document : texte imprimé Auteurs : HARRACHE, Rima ; ALLAOUI,REFOUFI, Directeur de thèse Editeur : Setif:UFA Année de publication : 2015 Importance : 1 vol (63f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : TALN, analyse, GCD, syntaxe, morphologie, arbre syntaxique, programmation logique, analyseur morphosyntaxique, Prolog Index. décimale : 004 Informatique Résumé : Résumé
Le traitement automatique des langues naturelles est basée sur des niveaux de traitement permettant d’étudier les différents aspects de la langue naturelle, on parle alors du traitement phonétique, morphologique, syntaxique, sémantique et pragmatique.
L’analyse morphosyntaxique cherche à trouver un outil efficace permettant à la fois une analyse morphologique et syntaxique de la langue.
Alors notre objectif s’oriente vers la réalisation d’un analyseur morphosyntaxique pour le traitement de la langue française basant sur la notion des grammaires à clauses définies. Le choix de ce type de grammaires est justifié par la clarté et la simplicité de la mise en œuvre de ce formalisme ainsi que le voisinage de ce type de grammaire au langage de programmation logique « prolog ».
Note de contenu : Table des matières
Introduction générale 1
Chapitre I 3
Le traitement automatique des langues naturelles(etat de l’art) 3
1. Introduction 3
2. Une brève histoire du traitement automatique des langues naturelles 3
3. Définition du traitement automatique des langues naturelles 5
4. Objectif 5
5. L’ambigüité des langues naturelles 5
6. Les niveaux de traitement 6
6.1 Le niveau phonétique 7
6.2 Le niveau morphologique 7
6.3 Le niveau syntaxique 8
6.3.1 La grammaire 8
6.3.2 L’arbre syntaxique 9
6.3.3 La morphosyntaxe 10
6.4 Le niveau sémantique 11
6.5 Le niveau pragmatique 11
7. L’analyse morphosyntaxique 11
8. Conclusion 14
Chapitre II 15
Les grammaires à clauses définies 15
pour le traitement automatique des langues naturelles 15
1. Introduction 15
2. Des grammaires hors contexte vers la notation DCG 15
2.1 Les grammaires hors contexte 16
3. Les algorithmes de parsage 17
3.1 L’analyse ascendante (Buttom_Up) 17
3.2 L’analyse descendante (Top_Down) 17
3.3 Notion des grammaires à clauses définies DCGs 18
3.3.1 Un peu d’historique 18
3.3.2 Le formalisme des grammaires à clauses définies 19
4. Les grammaires à clause définie et le parsage du langage naturel 20
4.1 Transformation des règles DCG en Prolog et leur manipulation 20
4.2 Pourquoi les DCGs ? 22
4.3 Le traitement automatique des langues naturelles et les DCGs 22
5. Conclusion 24
Chapitre III 25
Réalisation 25
1. Introduction 25
2. Architecture du système expérimental 25
2.1 Vue globale 25
2.1.1 Le module java 27
2.1.2 Le module prolog 27
2.2 Architecture interne 27
2.2.1 Le programme « Main » 29
2.2.2 Le module morphologique 29
2.2.3 Le module syntaxique 29
3. Le module morphologique 30
3.1 Vue globale 31
3.2 Architecture interne 31
3.3 Les algorithmes du traitement morphologique 31
3.3.1 L’analyse 31
3.3.2 La génération 31
3.4 Le module « noms » 33
3.4.1 Analyse des noms communs féminins 34
3.4.2 Analyse des noms communs pluriels 36
3.5 Le module « verbes » 37
3.5.1 Analyse des verbes 39
3.6 Le module « adjectifs » 41
3.6.1 Analyse des adjectifs 42
3.7 Modules supplémentaires 42
4. Le module syntaxique 43
4.1 La couverture syntaxique 43
4.1.1 La phrase déclarative 43
4.1.2 La phrase relative 44
4.2 Le module interfaces 44
4.3 Vers une conception d’une grammaire à clauses définies 45
4.3.1 L’arbre syntaxique 45
4.3.2 Les groupes des mots 45
5. Conclusion 51
Conclusion générale 52
Table des figures 54
Bibliographie 55
Annexe 57
1. Introduction 57
2. Interface graphique de « FMSAnalyzer » 57
3. Analyse morphosyntaxique 58
4. Analyse morphologique 60
Côte titre : MAI/0060 En ligne : https://drive.google.com/file/d/1qnE9U0OFL-Rdm9VTCAndGJNASzrHrans/view?usp=shari [...] Format de la ressource électronique : Les grammaires à clauses définies pour le traitement automatique des langages naturelles [texte imprimé] / HARRACHE, Rima ; ALLAOUI,REFOUFI, Directeur de thèse . - [S.l.] : Setif:UFA, 2015 . - 1 vol (63f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : TALN, analyse, GCD, syntaxe, morphologie, arbre syntaxique, programmation logique, analyseur morphosyntaxique, Prolog Index. décimale : 004 Informatique Résumé : Résumé
Le traitement automatique des langues naturelles est basée sur des niveaux de traitement permettant d’étudier les différents aspects de la langue naturelle, on parle alors du traitement phonétique, morphologique, syntaxique, sémantique et pragmatique.
L’analyse morphosyntaxique cherche à trouver un outil efficace permettant à la fois une analyse morphologique et syntaxique de la langue.
Alors notre objectif s’oriente vers la réalisation d’un analyseur morphosyntaxique pour le traitement de la langue française basant sur la notion des grammaires à clauses définies. Le choix de ce type de grammaires est justifié par la clarté et la simplicité de la mise en œuvre de ce formalisme ainsi que le voisinage de ce type de grammaire au langage de programmation logique « prolog ».
Note de contenu : Table des matières
Introduction générale 1
Chapitre I 3
Le traitement automatique des langues naturelles(etat de l’art) 3
1. Introduction 3
2. Une brève histoire du traitement automatique des langues naturelles 3
3. Définition du traitement automatique des langues naturelles 5
4. Objectif 5
5. L’ambigüité des langues naturelles 5
6. Les niveaux de traitement 6
6.1 Le niveau phonétique 7
6.2 Le niveau morphologique 7
6.3 Le niveau syntaxique 8
6.3.1 La grammaire 8
6.3.2 L’arbre syntaxique 9
6.3.3 La morphosyntaxe 10
6.4 Le niveau sémantique 11
6.5 Le niveau pragmatique 11
7. L’analyse morphosyntaxique 11
8. Conclusion 14
Chapitre II 15
Les grammaires à clauses définies 15
pour le traitement automatique des langues naturelles 15
1. Introduction 15
2. Des grammaires hors contexte vers la notation DCG 15
2.1 Les grammaires hors contexte 16
3. Les algorithmes de parsage 17
3.1 L’analyse ascendante (Buttom_Up) 17
3.2 L’analyse descendante (Top_Down) 17
3.3 Notion des grammaires à clauses définies DCGs 18
3.3.1 Un peu d’historique 18
3.3.2 Le formalisme des grammaires à clauses définies 19
4. Les grammaires à clause définie et le parsage du langage naturel 20
4.1 Transformation des règles DCG en Prolog et leur manipulation 20
4.2 Pourquoi les DCGs ? 22
4.3 Le traitement automatique des langues naturelles et les DCGs 22
5. Conclusion 24
Chapitre III 25
Réalisation 25
1. Introduction 25
2. Architecture du système expérimental 25
2.1 Vue globale 25
2.1.1 Le module java 27
2.1.2 Le module prolog 27
2.2 Architecture interne 27
2.2.1 Le programme « Main » 29
2.2.2 Le module morphologique 29
2.2.3 Le module syntaxique 29
3. Le module morphologique 30
3.1 Vue globale 31
3.2 Architecture interne 31
3.3 Les algorithmes du traitement morphologique 31
3.3.1 L’analyse 31
3.3.2 La génération 31
3.4 Le module « noms » 33
3.4.1 Analyse des noms communs féminins 34
3.4.2 Analyse des noms communs pluriels 36
3.5 Le module « verbes » 37
3.5.1 Analyse des verbes 39
3.6 Le module « adjectifs » 41
3.6.1 Analyse des adjectifs 42
3.7 Modules supplémentaires 42
4. Le module syntaxique 43
4.1 La couverture syntaxique 43
4.1.1 La phrase déclarative 43
4.1.2 La phrase relative 44
4.2 Le module interfaces 44
4.3 Vers une conception d’une grammaire à clauses définies 45
4.3.1 L’arbre syntaxique 45
4.3.2 Les groupes des mots 45
5. Conclusion 51
Conclusion générale 52
Table des figures 54
Bibliographie 55
Annexe 57
1. Introduction 57
2. Interface graphique de « FMSAnalyzer » 57
3. Analyse morphosyntaxique 58
4. Analyse morphologique 60
Côte titre : MAI/0060 En ligne : https://drive.google.com/file/d/1qnE9U0OFL-Rdm9VTCAndGJNASzrHrans/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0060 MAI/0060 Mémoire Bibliothéque des sciences Français Disponible
DisponibleHarrap's compact
Titre : Harrap's compact Type de document : texte imprimé Auteurs : Patricia Forbes, Editeur scientifique ; Muriel Holland Smith, Editeur scientifique ; Helen Knox (19..-....), Editeur scientifique Editeur : Paris : France loisirs Année de publication : 1997 Importance : 1 vol. (535 p.) Présentation : couv. ill. en coul. Format : 22 cm ISBN/ISSN/EAN : 978-2-7242-3311-7 Langues : Français (fre) Anglais (eng) Catégories : Informatique Index. décimale : 004 Informatique Côte titre : Fs/24284 Harrap's compact [texte imprimé] / Patricia Forbes, Editeur scientifique ; Muriel Holland Smith, Editeur scientifique ; Helen Knox (19..-....), Editeur scientifique . - Paris : France loisirs, 1997 . - 1 vol. (535 p.) : couv. ill. en coul. ; 22 cm.
ISBN : 978-2-7242-3311-7
Langues : Français (fre) Anglais (eng)
Catégories : Informatique Index. décimale : 004 Informatique Côte titre : Fs/24284 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité Fs/24284 Fs/24284 livre Bibliothéque des sciences Anglais Disponible
DisponiblePermalinkPermalinkPermalinkHigh-Performance Big-Data Analytics / Raj,Pethuru
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink