University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Lakhfif, Abdelaziz |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la rechercheAn Avatar Based Approach For Automatically Interpreting Algerian Sing Language Dictionary / Abdelkrim Guechi
Titre : An Avatar Based Approach For Automatically Interpreting Algerian Sing Language Dictionary Type de document : texte imprimé Auteurs : Abdelkrim Guechi, Auteur ; Sara Azzoug, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2023 Importance : 1 vol (67 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : LSA
Algerian sign languageIndex. décimale : 004 Informatique Résumé : In this Master thesis, we present a visual Dictionary for Algerian Sign Language
(LSA :Langue des Signes Algerienne).
The visual tool aims to generate 3D gestural expressions performed by 3D Humanoids
(Avatars) compliant with H-Anim 2.0 in a VRML X3D environment using
X3dom standards.
The visual tool provides a new Flexible and open representation of copying dynamic
entities in reusable JSON format. This work represents a main part in generation
module in the machine translation of Arabic texts into Algerian Sign Language
(LSA).
The project aims for deaf people to facilitate the access to textual information
written in standard Arabic.Côte titre : MAI/0717 En ligne : https://drive.google.com/file/d/1nLoQUVp7fQJwGqf_ZEdJJSmagUq8mgy1/view?usp=drive [...] Format de la ressource électronique : An Avatar Based Approach For Automatically Interpreting Algerian Sing Language Dictionary [texte imprimé] / Abdelkrim Guechi, Auteur ; Sara Azzoug, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2023 . - 1 vol (67 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : LSA
Algerian sign languageIndex. décimale : 004 Informatique Résumé : In this Master thesis, we present a visual Dictionary for Algerian Sign Language
(LSA :Langue des Signes Algerienne).
The visual tool aims to generate 3D gestural expressions performed by 3D Humanoids
(Avatars) compliant with H-Anim 2.0 in a VRML X3D environment using
X3dom standards.
The visual tool provides a new Flexible and open representation of copying dynamic
entities in reusable JSON format. This work represents a main part in generation
module in the machine translation of Arabic texts into Algerian Sign Language
(LSA).
The project aims for deaf people to facilitate the access to textual information
written in standard Arabic.Côte titre : MAI/0717 En ligne : https://drive.google.com/file/d/1nLoQUVp7fQJwGqf_ZEdJJSmagUq8mgy1/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0717 MAI/0717 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Animation 3D des Avatars en utilisant la technique CCD Type de document : texte imprimé Auteurs : Namoune, Aimene, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (61 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Cinématique inverse
Degré de libert
Avatar
H-ANIM
Cinématique direct
Humanoïdes virtuelsIndex. décimale : 004 - Informatique Résumé : Résumé
L’animation des humanoïdes n’a cessé de s’améliorer. Elle sera plus en plus accessible grâce à l’évolution constante des cartes graphiques équipant les ordinateurs familiaux. Ce développement rend accessible au plus grand nombre la 3D temps réelle. Cette technologie est utilisée dans le multimédia, mais aussi dans les longs métrages afin d’améliorer la productivité des séquences d’animation, mais aussi l’éducation, la formation, le milieu médical, le traitement du handicap etc…
Dans la majorité de ces domaines, l'animation d'humanoïdes joue un rôle important puisque l'homme est au centre de toutes ces applications.
On a essaie dans ce mémoire de concevoir et implémenter une méthode d’animation à base de la technique « Inverse Kenematics » CCD, pour l’animation (mouvement articulatoires) des Avatar compatibles avec le norme h_anim et X3D.on a commencé par la réalisation d’un environnement virtuel de simulation des personnage virtuels (avatar), conforme avec le standard international h_anim et d’appliquer un algorithme d’animation à base d’un algorithme de cinématique inverse (IK) sur des modèles d’avatars pour les rendre dynamiques et afin de contrôler leurs mouvementsNote de contenu : Sommaire
Table des matières
Liste des figures ................................................................................................... v
Liste des tables ..........................................................................................vii
Introduction Générale
Introduction Générale ............................................................................................ 1
La génération des mouvements
1.1. Introduction .................................................................................... 4
1.2. Types de modélisation des objets 3D (avatars) ..................................................................... 5
1.2.1. Modélisation filaire ........................................................................................................ 5
1.2.2. Modélisation polygonale ................................................................................................ 6
1.2.3. Modélisation par primitives volumiques ....................................................................... 7
1.2.4. Modélisation par couches............................................................................................... 8
1.2.4.1. La couche squelettique ................................................................................................ 8
1.2.4.2. La couche musculaire .................................................................................................. 9
1.2.4.3. La couche de la peau et des vêtements ........................................................................ 9
1.3. Degré de liberté (DDL) ......................................................................................................... 9
1.4. Technologies de modélisation des avatars 3D .................................................................... 10
1.4.1. VRML (Virtual Reality Modeling Language) ............................................................. 10
1.4.2. X3D (Extensible 3D Graphics) .................................................................................... 11
1.4.2.1. Définition .......................................................................................................... 11
1.4.2.2. Les caractéristiques X3D ...................................................................................... 12
1.4.2.3. Les étapes nécessaires dans chaque application X3D : ........................................ 13
1.4.2.4. Navigateurs X3D .............................................................................................. 13
1.4.2.5. Structure de fichier X3D :..................................................................................... 15
1.5. Techniques de génération des animations : ......................................................................... 16
1.5.1. Animation Par images/scène clés ................................................................................. 16
1.5.2. Animation basée sur la capture de mouvement ........................................................... 17
1.5.3. Animation procédurale ................................................................................................. 18
1.5.4. Simulation physique ..................................................................................................... 18
1.6. Techniques d’édition de mouvements : ............................................................................... 19
1.6.1. Cinématique directe : ................................................................................................... 20
1.6.2. Cinématique inverse : ................................................................................ 21
1.7. Conclusion ........................................................................................ 22
Modélisation d’un humain virtuel
2.1. Introduction .............................................................................................. 23
2.2. Animation d’Humanoïde ......................................................................................................... 24
2.3. Prototypes fondamentaux pour la norme H_Anim.................................................................. 25
2.3.1. Noeuds Joint ...................................................................................................................... 26
2.3.2. Noeuds Segment ................................................................................................................ 27
2.3.3. Noeuds Site ....................................................................................................................... 28
2.3.4. Noeuds Displacer .............................................................................................................. 29
2.3.5. Le noeud humanoïde ......................................................................................................... 29
2.4. Technique d’édition de mouvement ........................................................................................ 30
2.4.1. La Cinématique directe (Forward kinematics) ................................................................. 31
2.4.2. La cinématique inverse (Inverse kinematics) ................................................................... 32
2.5. Méthodes de résolution de la cinématique inverse .............................................................. 33
2.5.1. Méthodes itératives ...................................................................................................... 33
2.5.2. Méthodes analytiques ................................................................................................... 35
2.5.2.1. Méthode de FABRIK (Forward and Backward Reaching IK) ............................. 36
2.5.2.2. Méthode Descente de Coordonnées Cycliques CCD ........................................... 36
2.6. Bilan ...................................................................................... 38
2.7. Conclusion ............................................................................ 39
Animation et l’implémentation
3.1. Introduction .................................................................................... 40
3.2. Création d’un avatar ........................................................................................ 41
3.2.1. Définition d’un personnage virtuelle (avatar) .................................................................. 41
3.2.2. Niveaux d'articulation (LOA)........................................................................................... 41
3.2.3. Outils nécessaires création du l’avatar : ........................................................................... 42
3.2.3.1. ECMASCRIPT .......................................................................................................... 43
3.3. Coordonnées Absolu / relative : .............................................................................................. 44
3.3.1. Changement de repère : .................................................................................................... 44
3.4. Problèmes de l'inverse cinématique : ...................................................................................... 48
3.5. Algorithme CCD pour résoudre le problème de la cinématique inverse ................................ 49
3.5.1. Principe de Fonctionnement du CCD : ............................................................................ 49
3.5.2. Algorithme « CCD » : ...................................................................................................... 51
3.6. Implémentation : ..................................................................................................................... 51
3.6.1. Fonctionnement de l’algorithme CCD : ........................................................................... 52
3.7. Animation avec l’algorithme CCD.......................................................................................... 54
3.7.1. Evaluation de fonctionnement d’algorithme CCD ............................................................... 59
3.8. Conclusion ............................................................................................................................... 60
Conclusion générale ....................................................................................................................... 61
BibliographieCôte titre : MAI/0241 En ligne : https://drive.google.com/file/d/15fl7Eoa-I8qTlBO4XbiCyiYgrHmi9O1B/view?usp=shari [...] Format de la ressource électronique : Animation 3D des Avatars en utilisant la technique CCD [texte imprimé] / Namoune, Aimene, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (61 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Cinématique inverse
Degré de libert
Avatar
H-ANIM
Cinématique direct
Humanoïdes virtuelsIndex. décimale : 004 - Informatique Résumé : Résumé
L’animation des humanoïdes n’a cessé de s’améliorer. Elle sera plus en plus accessible grâce à l’évolution constante des cartes graphiques équipant les ordinateurs familiaux. Ce développement rend accessible au plus grand nombre la 3D temps réelle. Cette technologie est utilisée dans le multimédia, mais aussi dans les longs métrages afin d’améliorer la productivité des séquences d’animation, mais aussi l’éducation, la formation, le milieu médical, le traitement du handicap etc…
Dans la majorité de ces domaines, l'animation d'humanoïdes joue un rôle important puisque l'homme est au centre de toutes ces applications.
On a essaie dans ce mémoire de concevoir et implémenter une méthode d’animation à base de la technique « Inverse Kenematics » CCD, pour l’animation (mouvement articulatoires) des Avatar compatibles avec le norme h_anim et X3D.on a commencé par la réalisation d’un environnement virtuel de simulation des personnage virtuels (avatar), conforme avec le standard international h_anim et d’appliquer un algorithme d’animation à base d’un algorithme de cinématique inverse (IK) sur des modèles d’avatars pour les rendre dynamiques et afin de contrôler leurs mouvementsNote de contenu : Sommaire
Table des matières
Liste des figures ................................................................................................... v
Liste des tables ..........................................................................................vii
Introduction Générale
Introduction Générale ............................................................................................ 1
La génération des mouvements
1.1. Introduction .................................................................................... 4
1.2. Types de modélisation des objets 3D (avatars) ..................................................................... 5
1.2.1. Modélisation filaire ........................................................................................................ 5
1.2.2. Modélisation polygonale ................................................................................................ 6
1.2.3. Modélisation par primitives volumiques ....................................................................... 7
1.2.4. Modélisation par couches............................................................................................... 8
1.2.4.1. La couche squelettique ................................................................................................ 8
1.2.4.2. La couche musculaire .................................................................................................. 9
1.2.4.3. La couche de la peau et des vêtements ........................................................................ 9
1.3. Degré de liberté (DDL) ......................................................................................................... 9
1.4. Technologies de modélisation des avatars 3D .................................................................... 10
1.4.1. VRML (Virtual Reality Modeling Language) ............................................................. 10
1.4.2. X3D (Extensible 3D Graphics) .................................................................................... 11
1.4.2.1. Définition .......................................................................................................... 11
1.4.2.2. Les caractéristiques X3D ...................................................................................... 12
1.4.2.3. Les étapes nécessaires dans chaque application X3D : ........................................ 13
1.4.2.4. Navigateurs X3D .............................................................................................. 13
1.4.2.5. Structure de fichier X3D :..................................................................................... 15
1.5. Techniques de génération des animations : ......................................................................... 16
1.5.1. Animation Par images/scène clés ................................................................................. 16
1.5.2. Animation basée sur la capture de mouvement ........................................................... 17
1.5.3. Animation procédurale ................................................................................................. 18
1.5.4. Simulation physique ..................................................................................................... 18
1.6. Techniques d’édition de mouvements : ............................................................................... 19
1.6.1. Cinématique directe : ................................................................................................... 20
1.6.2. Cinématique inverse : ................................................................................ 21
1.7. Conclusion ........................................................................................ 22
Modélisation d’un humain virtuel
2.1. Introduction .............................................................................................. 23
2.2. Animation d’Humanoïde ......................................................................................................... 24
2.3. Prototypes fondamentaux pour la norme H_Anim.................................................................. 25
2.3.1. Noeuds Joint ...................................................................................................................... 26
2.3.2. Noeuds Segment ................................................................................................................ 27
2.3.3. Noeuds Site ....................................................................................................................... 28
2.3.4. Noeuds Displacer .............................................................................................................. 29
2.3.5. Le noeud humanoïde ......................................................................................................... 29
2.4. Technique d’édition de mouvement ........................................................................................ 30
2.4.1. La Cinématique directe (Forward kinematics) ................................................................. 31
2.4.2. La cinématique inverse (Inverse kinematics) ................................................................... 32
2.5. Méthodes de résolution de la cinématique inverse .............................................................. 33
2.5.1. Méthodes itératives ...................................................................................................... 33
2.5.2. Méthodes analytiques ................................................................................................... 35
2.5.2.1. Méthode de FABRIK (Forward and Backward Reaching IK) ............................. 36
2.5.2.2. Méthode Descente de Coordonnées Cycliques CCD ........................................... 36
2.6. Bilan ...................................................................................... 38
2.7. Conclusion ............................................................................ 39
Animation et l’implémentation
3.1. Introduction .................................................................................... 40
3.2. Création d’un avatar ........................................................................................ 41
3.2.1. Définition d’un personnage virtuelle (avatar) .................................................................. 41
3.2.2. Niveaux d'articulation (LOA)........................................................................................... 41
3.2.3. Outils nécessaires création du l’avatar : ........................................................................... 42
3.2.3.1. ECMASCRIPT .......................................................................................................... 43
3.3. Coordonnées Absolu / relative : .............................................................................................. 44
3.3.1. Changement de repère : .................................................................................................... 44
3.4. Problèmes de l'inverse cinématique : ...................................................................................... 48
3.5. Algorithme CCD pour résoudre le problème de la cinématique inverse ................................ 49
3.5.1. Principe de Fonctionnement du CCD : ............................................................................ 49
3.5.2. Algorithme « CCD » : ...................................................................................................... 51
3.6. Implémentation : ..................................................................................................................... 51
3.6.1. Fonctionnement de l’algorithme CCD : ........................................................................... 52
3.7. Animation avec l’algorithme CCD.......................................................................................... 54
3.7.1. Evaluation de fonctionnement d’algorithme CCD ............................................................... 59
3.8. Conclusion ............................................................................................................................... 60
Conclusion générale ....................................................................................................................... 61
BibliographieCôte titre : MAI/0241 En ligne : https://drive.google.com/file/d/15fl7Eoa-I8qTlBO4XbiCyiYgrHmi9O1B/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0241 MAI/0241 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Une approche à base de Machine Learning pour la prédiction des liens dans les réseaux sociaux Type de document : texte imprimé Auteurs : Chaima Belfourar, Auteur ; Belkis Hemsas, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2023 Importance : 1 vol (63 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : prédiction de lien
Rréseaux sociauxIndex. décimale : 004 Informatique Résumé : La prédiction de liens, également connue sous le nom de prédiction de liens manquants ou de lien de recommandation, est un problème courant dans le domaine de l'apprentissage automatique et de l'analyse des réseaux. Il s'agit de prédire les connexions manquantes ou les relations potentielles entre les entités dans un réseau.
Pour résoudre le problème de prédiction de liens, différentes approches peuvent être utilisées, telles que les modèles de régression logistique, les algorithmes de marche aléatoire ou les modèles de factorisation de matrices.
Dans notre projet de fin d’étude de master, nous avons étudié le problème de prédiction de liens dans les réseaux sociaux. On s'intéresse principalement aux méthodes de l’apprentissage automatique qui sont utilisés pour les tâches de prédiction (Naïve Bayes, Décision Tree, Multi Layer Perceptron), nous avons exposé les résultats des expérimentations réalisées. Enfin, nous avons effectué une comparaison entre ces résultats et les résultats des expérimentations réalisées précédemmentCôte titre : MAI/0718 En ligne : https://drive.google.com/file/d/1w66cpdaO5pA1SgBIHHMdLWJ4ZZEXQrkq/view?usp=drive [...] Format de la ressource électronique : Une approche à base de Machine Learning pour la prédiction des liens dans les réseaux sociaux [texte imprimé] / Chaima Belfourar, Auteur ; Belkis Hemsas, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2023 . - 1 vol (63 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : prédiction de lien
Rréseaux sociauxIndex. décimale : 004 Informatique Résumé : La prédiction de liens, également connue sous le nom de prédiction de liens manquants ou de lien de recommandation, est un problème courant dans le domaine de l'apprentissage automatique et de l'analyse des réseaux. Il s'agit de prédire les connexions manquantes ou les relations potentielles entre les entités dans un réseau.
Pour résoudre le problème de prédiction de liens, différentes approches peuvent être utilisées, telles que les modèles de régression logistique, les algorithmes de marche aléatoire ou les modèles de factorisation de matrices.
Dans notre projet de fin d’étude de master, nous avons étudié le problème de prédiction de liens dans les réseaux sociaux. On s'intéresse principalement aux méthodes de l’apprentissage automatique qui sont utilisés pour les tâches de prédiction (Naïve Bayes, Décision Tree, Multi Layer Perceptron), nous avons exposé les résultats des expérimentations réalisées. Enfin, nous avons effectué une comparaison entre ces résultats et les résultats des expérimentations réalisées précédemmentCôte titre : MAI/0718 En ligne : https://drive.google.com/file/d/1w66cpdaO5pA1SgBIHHMdLWJ4ZZEXQrkq/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0718 MAI/0718 Mémoire Bibliothéque des sciences Français Disponible
DisponibleApproche basée sur le Deep Learning pour l’Étiquetage Sémantique des Rôles en Arabe / Hadjer Chergui
Titre : Approche basée sur le Deep Learning pour l’Étiquetage Sémantique des Rôles en Arabe Type de document : document électronique Auteurs : Hadjer Chergui, Auteur ; Mahmoud Mouhib Eddine Boucenna, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2024 Importance : 1 vol (69 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning
Étiquetage des Rôles Sémantiques
Arabe
TAL
RNN,
BERTIndex. décimale : 004 Informatique Résumé :
Ce mémoire explore l’application du deep learning à l’étiquetage des rôles sémantiques
(SRL) en arabe, une tâche fondamentale du traitement automatique du langage naturel
(TAL). L’étiquetage des rôles sémantiques consiste à identifier les rôles sémantiques que
jouent les mots ou les expressions au sein d’une phrase, ce qui est crucial pour comprendre
le sens du texte au-delà de sa simple structure syntaxique.
Étant donné la complexité linguistique de l’arabe, notamment sa riche morphologie et
la diversité de ses dialectes, l’étiquetage des rôles sémantiques présente des défis uniques.
Ce travail adopte une approche basée sur le deep learning, en exploitant des architectures
avancées telles que les réseaux de neurones récurrents (RNN) et le Transformateur
(BERT). L’étude applique ces techniques pour améliorer les performances de l’étiquetage
des rôles sémantiques en arabe en identifiant avec précision des rôles tels que l’agent, le
thème ou le bénéficiaire.
Grâce à la mise en oeuvre de modèles de deep learning et à une évaluation rigoureuse,
ce mémoire démontre l’efficacité des techniques d’apprentissage automatique modernes
pour relever les défis spécifiques à la langue arabe. Les résultats mettent en évidence l’efficacité
de ces modèles pour améliorer les tâches de SRL, ouvrant la voie à des recherches
et développements supplémentaires dans le domaine du TAL en arabe.Note de contenu : Sommaire
1 L’étiquetage des rôles sémantiques arabes 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 L’étiquetage des rôles sémantiques . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Composantes de l’étiquetage des rôles sémantiques : . . . . . . . . . 3
1.2.2 L’importance du SRL dans le traitement automatique des langues : 4
1.3 Particularités de la langue arabe . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Écriture et Alphabet : . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2 Morphologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.3 Syntaxe et Grammaire : . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.4 Dialectes : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 FrameNet : Un Outil pour l’étiquetage des rôles sémantiques . . . . . . . . 6
1.4.1 Cadres Sémantiques : . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2 Corpus Annoté : . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Approches Traditionnelles pour l’Étiquetage des Rôles Sémantiques en Arabe 7
1.5.1 Approches Basées sur des Règles . . . . . . . . . . . . . . . . . . . 7
1.5.2 Approches Statistiques . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.3 Approches Basées sur l’Apprentissage Automatique . . . . . . . . . 8
1.6 Travaux connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Deep Learning 12
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Le deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 L’importance de deep Learning dans l’SRL . . . . . . . . . . . . . . . . . . 13
2.4 Fondements du Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.1 Réseaux de Neurones Artificiels (ANNs) . . . . . . . . . . . . . . . 14
2.4.2 Perceptron Multicouche (MLP) . . . . . . . . . . . . . . . . . . . . 15
2.4.3 Algorithme de Rétropropagation . . . . . . . . . . . . . . . . . . . 15
2.4.4 Apprentissage Supervisé et Non Supervisé . . . . . . . . . . . . . . 15
2.4.5 Convolutional Neural Networks (CNNs) . . . . . . . . . . . . . . . 16
2.4.6 Recurrent Neural Networks (RNNs) . . . . . . . . . . . . . . . . . 16
2.4.7 Transformers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.8 BERT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.9 Optimisation et Régularisation . . . . . . . . . . . . . . . . . . . . 22
2.5 Entraînement et Optimisation des Modèles de Deep Learning . . . . . . . 22
2.5.1 Fonction de Coût (Loss Function) . . . . . . . . . . . . . . . . . . . 23
2.5.2 Algorithmes d’Optimisation . . . . . . . . . . . . . . . . . . . . . . 23
2.5.3 La régularisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5.4 Ensemble de Données d’Entraînement et de Validation . . . . . . . 25
2.6 Évaluation des modèles de Deep Learning . . . . . . . . . . . . . . . . . . 27
2.6.1 Métriques d’Évaluation . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6.2 Courbes d’Apprentissage . . . . . . . . . . . . . . . . . . . . . . . . 28
2.6.3 Tests de Significativité Statistique . . . . . . . . . . . . . . . . . . . 28
2.6.4 Évaluation Post-Production . . . . . . . . . . . . . . . . . . . . . . 29
2.7 Applications du l’pprentissage en profondeur dans TAL . . . . . . . . . . . 29
2.8 L’impact de l’apprentissage profond sur le SRL . . . . . . . . . . . . . . . 29
2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Analyse Expérimentale et Évaluation des Modèles 32
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Frameworks et outils d’implémentation . . . . . . . . . . . . . . . . . . . . 32
3.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.2 Tensorflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.3 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.4 Google Colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Paramètres expérimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.1 Métriques d’évaluation des modèles . . . . . . . . . . . . . . . . . . 34
3.3.2 Taux d’apprentissage (Learning Rate) . . . . . . . . . . . . . . . . . 37
3.3.3 Nombre d’époques . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3.4 Taille du lot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3.5 Fonction d’activation . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3.6 Loss function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4 Expérimenter avec RNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.4.1 Téléchargement et nettoyage du dataset . . . . . . . . . . . . . . . 42
3.4.2 Prétraitement du texte . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4.3 Gestion des Labels . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4.4 Séparation des données . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.5 Construire le modèle RNN . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.6 Entraîner le modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5 Expérimenter avec BERT . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5.1 1er modèle BERT . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5.2 2ème modèle BERT . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.5.3 3eme modèle BERT . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.5.4 Comparaison du deuxième et troisième code BERT. . . . . . . . . . 57
3.6 Résultat final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.6.1 Résultat RNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.6.2 Résultats de Bert . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63Côte titre : MAI/0940 Approche basée sur le Deep Learning pour l’Étiquetage Sémantique des Rôles en Arabe [document électronique] / Hadjer Chergui, Auteur ; Mahmoud Mouhib Eddine Boucenna, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2024 . - 1 vol (69 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning
Étiquetage des Rôles Sémantiques
Arabe
TAL
RNN,
BERTIndex. décimale : 004 Informatique Résumé :
Ce mémoire explore l’application du deep learning à l’étiquetage des rôles sémantiques
(SRL) en arabe, une tâche fondamentale du traitement automatique du langage naturel
(TAL). L’étiquetage des rôles sémantiques consiste à identifier les rôles sémantiques que
jouent les mots ou les expressions au sein d’une phrase, ce qui est crucial pour comprendre
le sens du texte au-delà de sa simple structure syntaxique.
Étant donné la complexité linguistique de l’arabe, notamment sa riche morphologie et
la diversité de ses dialectes, l’étiquetage des rôles sémantiques présente des défis uniques.
Ce travail adopte une approche basée sur le deep learning, en exploitant des architectures
avancées telles que les réseaux de neurones récurrents (RNN) et le Transformateur
(BERT). L’étude applique ces techniques pour améliorer les performances de l’étiquetage
des rôles sémantiques en arabe en identifiant avec précision des rôles tels que l’agent, le
thème ou le bénéficiaire.
Grâce à la mise en oeuvre de modèles de deep learning et à une évaluation rigoureuse,
ce mémoire démontre l’efficacité des techniques d’apprentissage automatique modernes
pour relever les défis spécifiques à la langue arabe. Les résultats mettent en évidence l’efficacité
de ces modèles pour améliorer les tâches de SRL, ouvrant la voie à des recherches
et développements supplémentaires dans le domaine du TAL en arabe.Note de contenu : Sommaire
1 L’étiquetage des rôles sémantiques arabes 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 L’étiquetage des rôles sémantiques . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Composantes de l’étiquetage des rôles sémantiques : . . . . . . . . . 3
1.2.2 L’importance du SRL dans le traitement automatique des langues : 4
1.3 Particularités de la langue arabe . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Écriture et Alphabet : . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2 Morphologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.3 Syntaxe et Grammaire : . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.4 Dialectes : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 FrameNet : Un Outil pour l’étiquetage des rôles sémantiques . . . . . . . . 6
1.4.1 Cadres Sémantiques : . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2 Corpus Annoté : . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Approches Traditionnelles pour l’Étiquetage des Rôles Sémantiques en Arabe 7
1.5.1 Approches Basées sur des Règles . . . . . . . . . . . . . . . . . . . 7
1.5.2 Approches Statistiques . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.3 Approches Basées sur l’Apprentissage Automatique . . . . . . . . . 8
1.6 Travaux connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Deep Learning 12
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Le deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 L’importance de deep Learning dans l’SRL . . . . . . . . . . . . . . . . . . 13
2.4 Fondements du Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.1 Réseaux de Neurones Artificiels (ANNs) . . . . . . . . . . . . . . . 14
2.4.2 Perceptron Multicouche (MLP) . . . . . . . . . . . . . . . . . . . . 15
2.4.3 Algorithme de Rétropropagation . . . . . . . . . . . . . . . . . . . 15
2.4.4 Apprentissage Supervisé et Non Supervisé . . . . . . . . . . . . . . 15
2.4.5 Convolutional Neural Networks (CNNs) . . . . . . . . . . . . . . . 16
2.4.6 Recurrent Neural Networks (RNNs) . . . . . . . . . . . . . . . . . 16
2.4.7 Transformers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.8 BERT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.9 Optimisation et Régularisation . . . . . . . . . . . . . . . . . . . . 22
2.5 Entraînement et Optimisation des Modèles de Deep Learning . . . . . . . 22
2.5.1 Fonction de Coût (Loss Function) . . . . . . . . . . . . . . . . . . . 23
2.5.2 Algorithmes d’Optimisation . . . . . . . . . . . . . . . . . . . . . . 23
2.5.3 La régularisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5.4 Ensemble de Données d’Entraînement et de Validation . . . . . . . 25
2.6 Évaluation des modèles de Deep Learning . . . . . . . . . . . . . . . . . . 27
2.6.1 Métriques d’Évaluation . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6.2 Courbes d’Apprentissage . . . . . . . . . . . . . . . . . . . . . . . . 28
2.6.3 Tests de Significativité Statistique . . . . . . . . . . . . . . . . . . . 28
2.6.4 Évaluation Post-Production . . . . . . . . . . . . . . . . . . . . . . 29
2.7 Applications du l’pprentissage en profondeur dans TAL . . . . . . . . . . . 29
2.8 L’impact de l’apprentissage profond sur le SRL . . . . . . . . . . . . . . . 29
2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Analyse Expérimentale et Évaluation des Modèles 32
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Frameworks et outils d’implémentation . . . . . . . . . . . . . . . . . . . . 32
3.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.2 Tensorflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.3 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.4 Google Colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Paramètres expérimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.1 Métriques d’évaluation des modèles . . . . . . . . . . . . . . . . . . 34
3.3.2 Taux d’apprentissage (Learning Rate) . . . . . . . . . . . . . . . . . 37
3.3.3 Nombre d’époques . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3.4 Taille du lot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3.5 Fonction d’activation . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3.6 Loss function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4 Expérimenter avec RNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.4.1 Téléchargement et nettoyage du dataset . . . . . . . . . . . . . . . 42
3.4.2 Prétraitement du texte . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4.3 Gestion des Labels . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4.4 Séparation des données . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.5 Construire le modèle RNN . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.6 Entraîner le modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5 Expérimenter avec BERT . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5.1 1er modèle BERT . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5.2 2ème modèle BERT . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.5.3 3eme modèle BERT . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.5.4 Comparaison du deuxième et troisième code BERT. . . . . . . . . . 57
3.6 Résultat final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.6.1 Résultat RNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.6.2 Résultats de Bert . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63Côte titre : MAI/0940 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0940 MAI/0940 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Construction of a corpus of tweets in Arabic and annotation in semantic roles and emotions Type de document : texte imprimé Auteurs : Bendris ,Aimen, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (60 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Corpus construction
FrameNetIndex. décimale : 004 - Informatique Résumé :
In this MASTER thesis, we have built a corpus of Arabic tweets extracted from the social network TWITTER. First, we collected tweets in modern standard Arabic from Twitter and then passed it through the pre-processing phase. Our second objective is to develop a semantic role and emotion annotation tool based on the FrameNet semantic lexical database. The transcription of the annotations is done according to the XML format in order to give a large portability to our corpus and to these annotations. This work represents a good basis for further work on sentiment analysis of Arabic texts.
Côte titre : MAI/0482 En ligne : https://drive.google.com/file/d/14lP0XI-FlTFlXAPFzb2dVhUdkTWxkS0V/view?usp=shari [...] Format de la ressource électronique : Construction of a corpus of tweets in Arabic and annotation in semantic roles and emotions [texte imprimé] / Bendris ,Aimen, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (60 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Corpus construction
FrameNetIndex. décimale : 004 - Informatique Résumé :
In this MASTER thesis, we have built a corpus of Arabic tweets extracted from the social network TWITTER. First, we collected tweets in modern standard Arabic from Twitter and then passed it through the pre-processing phase. Our second objective is to develop a semantic role and emotion annotation tool based on the FrameNet semantic lexical database. The transcription of the annotations is done according to the XML format in order to give a large portability to our corpus and to these annotations. This work represents a good basis for further work on sentiment analysis of Arabic texts.
Côte titre : MAI/0482 En ligne : https://drive.google.com/file/d/14lP0XI-FlTFlXAPFzb2dVhUdkTWxkS0V/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0482 MAI/0482 Mémoire Bibliothéque des sciences Anglais Disponible
DisponiblePermalinkPermalinkPermalink
PermalinkPermalinkPermalinkPermalinkPermalinkPermalink
Permalink
