University Sétif 1 FERHAT ABBAS Faculty of Sciences
Résultat de la recherche
9 résultat(s) recherche sur le mot-clé 'Deep learning'
Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette recherche
Titre : Deep learning model for predicting cancer stage based on genomic data Type de document : texte imprimé Auteurs : Rayane Mesnata ; Roumaissa Laouarem ; Abderrahim Lakehal, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (134 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Bio-Informatics Cancer Machine learning Deep learning mRNA data Cbioportal, Index. décimale : 004 Informatique Résumé : This abstract discusses the integration of artificial intelligence (AI) and deep learning (DL) in cancer
diagnosis and treatment. It emphasizes the use of genomic sequencing technologies and machine
learning techniques to predict cancer stage and identify molecular signatures associated with different
stages. The Cancer Genome Atlas (TCGA) project has played a crucial role in collecting comprehensive
genomic data for various cancer types. the study highlights the importance of data preprocessing,
including quality control, normalization, and integration, to ensure the accuracy and reliability of the
predictive model. The performance of the deep learning model is evaluated using appropriate evaluation
metrics, such as accuracy, precision, recall, and F1 score; As Gene filtering techniques are used
to reduce noise and dimensionality, identifying relevant genes for cancer progression and stage.
This study develops a deep learning model for predicting cancer stage based on genomic data;
As the model incorporates a Convolutional Neural Network (CNN) architecture and is trained on a
comprehensive dataset, to evaluate the performance of the deep learning model, two approaches are
compared: utilizing the cbioportal platform and applying feature selection techniques. The cbioportal
platform allows for the exploration and analysis of cancer genomics data, providing valuable insights
into potential biomarkers and cancer biology. On the other hand, feature selection techniques aim to
identify the most informative genes or features for cancer stage prediction.
In conclusion, the experimental results demonstrate that the deep learning model, utilizing the
cbioportal platform, outperforms feature selection techniques in accurately predicting cancer stage;
As The model’s ability to automatically learn complex patterns and interactions from genomic data
contributes to its superior performance. These findings underscore the potential of deep learning in
advancing cancer diagnosis and treatment planning.Côte titre : MAI/0763 En ligne : https://drive.google.com/file/d/1zJ5Z2D54pTWUGV0dC7gU78uObVf0nEvc/view?usp=drive [...] Format de la ressource électronique : Deep learning model for predicting cancer stage based on genomic data [texte imprimé] / Rayane Mesnata ; Roumaissa Laouarem ; Abderrahim Lakehal, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol (134 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Bio-Informatics Cancer Machine learning Deep learning mRNA data Cbioportal, Index. décimale : 004 Informatique Résumé : This abstract discusses the integration of artificial intelligence (AI) and deep learning (DL) in cancer
diagnosis and treatment. It emphasizes the use of genomic sequencing technologies and machine
learning techniques to predict cancer stage and identify molecular signatures associated with different
stages. The Cancer Genome Atlas (TCGA) project has played a crucial role in collecting comprehensive
genomic data for various cancer types. the study highlights the importance of data preprocessing,
including quality control, normalization, and integration, to ensure the accuracy and reliability of the
predictive model. The performance of the deep learning model is evaluated using appropriate evaluation
metrics, such as accuracy, precision, recall, and F1 score; As Gene filtering techniques are used
to reduce noise and dimensionality, identifying relevant genes for cancer progression and stage.
This study develops a deep learning model for predicting cancer stage based on genomic data;
As the model incorporates a Convolutional Neural Network (CNN) architecture and is trained on a
comprehensive dataset, to evaluate the performance of the deep learning model, two approaches are
compared: utilizing the cbioportal platform and applying feature selection techniques. The cbioportal
platform allows for the exploration and analysis of cancer genomics data, providing valuable insights
into potential biomarkers and cancer biology. On the other hand, feature selection techniques aim to
identify the most informative genes or features for cancer stage prediction.
In conclusion, the experimental results demonstrate that the deep learning model, utilizing the
cbioportal platform, outperforms feature selection techniques in accurately predicting cancer stage;
As The model’s ability to automatically learn complex patterns and interactions from genomic data
contributes to its superior performance. These findings underscore the potential of deep learning in
advancing cancer diagnosis and treatment planning.Côte titre : MAI/0763 En ligne : https://drive.google.com/file/d/1zJ5Z2D54pTWUGV0dC7gU78uObVf0nEvc/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0763 MAI/0763 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleDeep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique / Rim Chemsse Rezig
Titre : Deep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique Type de document : texte imprimé Auteurs : Rim Chemsse Rezig, Auteur ; Aicha Haddad, Auteur ; Noureddine Mekroud, Directeur de thèse Année de publication : 2023 Importance : 1 vol (95 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning Bio-informatique Images d’Expression Génétique Modèles génératifs Théorie de l’incertain Règles d’Association Bioinformatics Gene Expression Images Generative Models Uncertain Theory Association Rules. Index. décimale : 004 Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus étudiées, vu l’importance vitale des connaissances que cachent ces données très volumineuses et hétérogènes et à caractère parfois incertain et imprécis. Une réduction fiable des dimensions des données étudiées réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la qualité de ses résultats. Aussi, introduire les théories de modélisation sous l’incertain (comme la logique floue, possibiliste et évidentielle) est très bénéfique pour assurer une représentation formelle des données biologiques fidèle à la leur réalité.
Dans cette perspective, l’approche proposée est basée sur la modélisation (via les théories de l’incertain) des séquences d’images représentant les zones expressions génétiques lors des phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ». Pour augmenter le nombre de ces images, nous proposons une méthode adéquate à leur contenu basée sur les modèles génératifs. Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences d’image est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via l’algorithme Apriori adapté à la logique évidentielle) les items-sets les plus fréquents qui représentent les gènes qui co-expriment durant les phases de développement de l’embryon de cette espèce. Une interprétation biologique des résultats des deux modélisations proposées (floue et possibiliste) sera ensuite fournie. Les connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants qui cache toujours des secrets=Derived from real-world observations, biological data is one of the most extensively studied types of data, given the vital importance of the knowledge hidden within these voluminous, heterogeneous, uncertain, and sometimes imprecise data. Reliable dimension reduction of the studied data will decrease the complexity of any utilized learning algorithm and help improve the quality of its results. Additionally, introducing modeling theories under uncertainty, such as fuzzy, possibilistic, and evidential logic, is highly beneficial for ensuring a formal representation of biological data that remains faithful to its reality.
In this regard, the proposed approach is based on modeling (using uncertain theories) sequences of images representing genetic expression zones during the growth phases of the "Edinburgh Mouse" model species embryo. To increase the number of these images, we propose a content-based method based on generative models. Subsequently, the extraction of the most relevant features from these image sequences is ensured through a Convolutional Autoencoder. Finally, using the Apriori algorithm adapted to evidential logic, the most frequent itemsets representing co-expressed genes during the developmental phases of this embryo species are extracted. A biological interpretation of the results from the two proposed models (fuzzy and possibilistic) will be provided. The extracted knowledge will assist biologists in better understanding the genome of living organisms, which always harbors secrets
Côte titre : MAI/0770 En ligne : https://drive.google.com/file/d/1cjWyNeTJcpzi6zk-ebSAjmjGvod3Nqyr/view?usp=drive [...] Format de la ressource électronique : Deep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique [texte imprimé] / Rim Chemsse Rezig, Auteur ; Aicha Haddad, Auteur ; Noureddine Mekroud, Directeur de thèse . - 2023 . - 1 vol (95 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning Bio-informatique Images d’Expression Génétique Modèles génératifs Théorie de l’incertain Règles d’Association Bioinformatics Gene Expression Images Generative Models Uncertain Theory Association Rules. Index. décimale : 004 Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus étudiées, vu l’importance vitale des connaissances que cachent ces données très volumineuses et hétérogènes et à caractère parfois incertain et imprécis. Une réduction fiable des dimensions des données étudiées réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la qualité de ses résultats. Aussi, introduire les théories de modélisation sous l’incertain (comme la logique floue, possibiliste et évidentielle) est très bénéfique pour assurer une représentation formelle des données biologiques fidèle à la leur réalité.
Dans cette perspective, l’approche proposée est basée sur la modélisation (via les théories de l’incertain) des séquences d’images représentant les zones expressions génétiques lors des phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ». Pour augmenter le nombre de ces images, nous proposons une méthode adéquate à leur contenu basée sur les modèles génératifs. Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences d’image est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via l’algorithme Apriori adapté à la logique évidentielle) les items-sets les plus fréquents qui représentent les gènes qui co-expriment durant les phases de développement de l’embryon de cette espèce. Une interprétation biologique des résultats des deux modélisations proposées (floue et possibiliste) sera ensuite fournie. Les connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants qui cache toujours des secrets=Derived from real-world observations, biological data is one of the most extensively studied types of data, given the vital importance of the knowledge hidden within these voluminous, heterogeneous, uncertain, and sometimes imprecise data. Reliable dimension reduction of the studied data will decrease the complexity of any utilized learning algorithm and help improve the quality of its results. Additionally, introducing modeling theories under uncertainty, such as fuzzy, possibilistic, and evidential logic, is highly beneficial for ensuring a formal representation of biological data that remains faithful to its reality.
In this regard, the proposed approach is based on modeling (using uncertain theories) sequences of images representing genetic expression zones during the growth phases of the "Edinburgh Mouse" model species embryo. To increase the number of these images, we propose a content-based method based on generative models. Subsequently, the extraction of the most relevant features from these image sequences is ensured through a Convolutional Autoencoder. Finally, using the Apriori algorithm adapted to evidential logic, the most frequent itemsets representing co-expressed genes during the developmental phases of this embryo species are extracted. A biological interpretation of the results from the two proposed models (fuzzy and possibilistic) will be provided. The extracted knowledge will assist biologists in better understanding the genome of living organisms, which always harbors secrets
Côte titre : MAI/0770 En ligne : https://drive.google.com/file/d/1cjWyNeTJcpzi6zk-ebSAjmjGvod3Nqyr/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0770 MAI/0770 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Multiple Sclerosis Detection From MRI Using Deep Learning Transformer Autoencoders Type de document : texte imprimé Auteurs : Mihad Achheb ; Nahla Oumoussa ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (100 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning Multiple Sclerosis Detection Transformer Index. décimale : 004 Informatique Côte titre : MAI/0757 En ligne : https://drive.google.com/file/d/1gi8FR9IufNZPPp9VkV63nmiafKbdlwCS/view?usp=drive [...] Format de la ressource électronique : Multiple Sclerosis Detection From MRI Using Deep Learning Transformer Autoencoders [texte imprimé] / Mihad Achheb ; Nahla Oumoussa ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol (100 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning Multiple Sclerosis Detection Transformer Index. décimale : 004 Informatique Côte titre : MAI/0757 En ligne : https://drive.google.com/file/d/1gi8FR9IufNZPPp9VkV63nmiafKbdlwCS/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0757 MAI/0757 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Sentiment Analysis based On Machine and Deep Learning for Algerian Dialect Type de document : texte imprimé Auteurs : Mohamed Assil Benhamla ; El-Moundhir Riache ; MEDIANI, Chahrazed Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Sentiment analysis Machine Learning Dataset Algorithm Preprocessing deep Learning Index. décimale : 004 Informatique Résumé : Natural language processing is a technology that deals with human
language, where the machine can understand this language by training the
algorithm with the dataset. By this technique, we can know the position of
the author and his opinion on a topic using different Machine learning
and Deep learning Algorithms. In this work, we used Machine learning and
Deep learning algorithms to implement our subject which is text
classification of Arabic Algerian dialect into three classes positive emotion,
negative and neutral, by this automatic process = Le traitement du langage naturel est une technologie qui traite du langage
humain, o`u la machine peut comprendre ce langage en entraînant
l’algorithme avec l’ensemble de données. Par cette technique, nous pouvons
connaître la position de l’auteur et son opinion sur un sujet en utilisant
différents algorithmes d’apprentissage automatique. Dans ce travail, nous
avons utilisé des algorithmes d’apprentissage automatique pour
implémenter notre sujet qui est la classification de texte du dialecte arabe
algérCôte titre : MAI/0764 En ligne : https://drive.google.com/file/d/1W4Jqb4q8nSECpQtP0vz--GPf0ZiVQZEZ/view?usp=drive [...] Format de la ressource électronique : Sentiment Analysis based On Machine and Deep Learning for Algerian Dialect [texte imprimé] / Mohamed Assil Benhamla ; El-Moundhir Riache ; MEDIANI, Chahrazed . - [S.l.] : Setif:UFA, 2023 . - 1 vol (f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Sentiment analysis Machine Learning Dataset Algorithm Preprocessing deep Learning Index. décimale : 004 Informatique Résumé : Natural language processing is a technology that deals with human
language, where the machine can understand this language by training the
algorithm with the dataset. By this technique, we can know the position of
the author and his opinion on a topic using different Machine learning
and Deep learning Algorithms. In this work, we used Machine learning and
Deep learning algorithms to implement our subject which is text
classification of Arabic Algerian dialect into three classes positive emotion,
negative and neutral, by this automatic process = Le traitement du langage naturel est une technologie qui traite du langage
humain, o`u la machine peut comprendre ce langage en entraînant
l’algorithme avec l’ensemble de données. Par cette technique, nous pouvons
connaître la position de l’auteur et son opinion sur un sujet en utilisant
différents algorithmes d’apprentissage automatique. Dans ce travail, nous
avons utilisé des algorithmes d’apprentissage automatique pour
implémenter notre sujet qui est la classification de texte du dialecte arabe
algérCôte titre : MAI/0764 En ligne : https://drive.google.com/file/d/1W4Jqb4q8nSECpQtP0vz--GPf0ZiVQZEZ/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0764 MAI/0764 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Dead Trees Detection Based on Machine Learning and Remote Sensing Type de document : texte imprimé Auteurs : Manelle Benarbia, Auteur ; Nabila Chergui, Auteur Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (51 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Dead tree detection Artificial Intelligence Machine
Learning Deep Learning Remote Sensing Vegetation Indices Classification Détection des arbres morts Intelligence Artificielle Apprentissage
Automatique Apprentissage Approfondu télédétection Indices de VegetationsIndex. décimale : 004 - Informatique Résumé : Dead tree detection utilising machine learning and remote sensing
holds significance in efficient and scalable monitoring, early disturbance
detection, assessing ecosystem health, managing resources, and planning
conservation efforts. This approach facilitates timely interventions, enhances
forest management practices, and contributes to environmental
monitoring, ensuring the sustainability and resilience of forest ecosystems.
In this thesis, we focus on classifying dead trees using remote sensing
images obtained from the Sentinel 2 satellite and Vegetation Indices
(VIS). We initially extracted three VIs: the Normalised Difference Vegetation
Index (NDVI), Enhanced Vegetation Index (EVI2), and the Soil
Adjusted Vegetation Index. Subsequently, we selected three prominent
classification algorithms for Machine Learning (ML): Decision Tree (DT),
Random Forest (RF), and Support Vector Machine (SVM). Additionally,
we compared their performances with the Deep Learning Neural Network
(DNN). Notably, the Random Forest algorithm attained the highest
accuracy in dead tree classification, achieving an accuracy of 0.73 = La détection des arbres morts basée sur l’intelligence artificielle et la
télédétection revêt une grande importance pour une surveillance efficace
et évolutive, la détection précoce des perturbations, l’évaluation de la
santé des écosystèmes, la gestion des ressources et la planification de
la conservation. Elle permet des interventions rapides, améliore les
pratiques de gestion forestière et contribue aux efforts de surveillance
environnementale, garantissant ainsi la durabilité et la résilience des
écosystèmes forestiers.
Dans ce mémoire, nous avons classifié les arbres morts en utilisant
des images de télédétection acquises à partir du satellite Sentinel 2
et desindices de végétation (VIS). Nous avons tout d’abord extrait
trois indices de végétation, à savoir l’indice de végétation par différence
normalisée (NDVI), l’indice de végétation amélioré (EVI2) et l’indice
devégétation ajusté au sol. Ensuite, nous avons sélectionné trois des
principaux algorithmes d’apprentissage automatique pour effectuer la
classificationarbres de décision (DT), les forêts aléatoires (RF), les machines
à vecteurs de support (SVM) en plus du réseau de neurons (DNN).
Les résultats ont montré que l’algorithme de forêt aléatoire a obtenu
la meilleure précision dans la classification des arbres morts, atteignant
une précision de 0,73.
Côte titre : MAI/0755 En ligne : https://drive.google.com/file/d/1pK3ThW0ig-RHAQLEFvJNh0fkEU6fBSzZ/view?usp=drive [...] Format de la ressource électronique : Dead Trees Detection Based on Machine Learning and Remote Sensing [texte imprimé] / Manelle Benarbia, Auteur ; Nabila Chergui, Auteur . - [S.l.] : Setif:UFA, 2023 . - 1 vol (51 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Dead tree detection Artificial Intelligence Machine
Learning Deep Learning Remote Sensing Vegetation Indices Classification Détection des arbres morts Intelligence Artificielle Apprentissage
Automatique Apprentissage Approfondu télédétection Indices de VegetationsIndex. décimale : 004 - Informatique Résumé : Dead tree detection utilising machine learning and remote sensing
holds significance in efficient and scalable monitoring, early disturbance
detection, assessing ecosystem health, managing resources, and planning
conservation efforts. This approach facilitates timely interventions, enhances
forest management practices, and contributes to environmental
monitoring, ensuring the sustainability and resilience of forest ecosystems.
In this thesis, we focus on classifying dead trees using remote sensing
images obtained from the Sentinel 2 satellite and Vegetation Indices
(VIS). We initially extracted three VIs: the Normalised Difference Vegetation
Index (NDVI), Enhanced Vegetation Index (EVI2), and the Soil
Adjusted Vegetation Index. Subsequently, we selected three prominent
classification algorithms for Machine Learning (ML): Decision Tree (DT),
Random Forest (RF), and Support Vector Machine (SVM). Additionally,
we compared their performances with the Deep Learning Neural Network
(DNN). Notably, the Random Forest algorithm attained the highest
accuracy in dead tree classification, achieving an accuracy of 0.73 = La détection des arbres morts basée sur l’intelligence artificielle et la
télédétection revêt une grande importance pour une surveillance efficace
et évolutive, la détection précoce des perturbations, l’évaluation de la
santé des écosystèmes, la gestion des ressources et la planification de
la conservation. Elle permet des interventions rapides, améliore les
pratiques de gestion forestière et contribue aux efforts de surveillance
environnementale, garantissant ainsi la durabilité et la résilience des
écosystèmes forestiers.
Dans ce mémoire, nous avons classifié les arbres morts en utilisant
des images de télédétection acquises à partir du satellite Sentinel 2
et desindices de végétation (VIS). Nous avons tout d’abord extrait
trois indices de végétation, à savoir l’indice de végétation par différence
normalisée (NDVI), l’indice de végétation amélioré (EVI2) et l’indice
devégétation ajusté au sol. Ensuite, nous avons sélectionné trois des
principaux algorithmes d’apprentissage automatique pour effectuer la
classificationarbres de décision (DT), les forêts aléatoires (RF), les machines
à vecteurs de support (SVM) en plus du réseau de neurons (DNN).
Les résultats ont montré que l’algorithme de forêt aléatoire a obtenu
la meilleure précision dans la classification des arbres morts, atteignant
une précision de 0,73.
Côte titre : MAI/0755 En ligne : https://drive.google.com/file/d/1pK3ThW0ig-RHAQLEFvJNh0fkEU6fBSzZ/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0755 MAI/0755 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleDeep Belief Networks Applied to Alzheimer’s Disease Detection and Classification using Neuroimaging Data / Yacine Deradra
PermalinkPermalinkPermalinkPermalink