Artificial Rabbit Optimization For Tuning Deep Learning Parameters / Yasmine Tigha  

Public ISBD Titre : Artificial Rabbit Optimization For Tuning Deep Learning Parameters Type de document : texte imprimé Auteurs : Yasmine Tigha ; Ibtihel Boussahel ; Semcheddine,Moussa, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (84 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Optimization  Artificial Rabbit Optimization  Genetic Algorithms  Particle Swarm Optimization  Grey Wolf Optimization  Deep Learning learning rate  and dropout rate Index. décimale : 004 - Informatique Résumé : Deep learning models’ performance heavily relies on selecting appropriate hyperparameters, such as learning rate, dropout rate , and network architecture. However, finding the optimal values for these hyperparameters is challenging due to the lack of fixed rules. In this thesis, we propose using bio-inspired algorithms, including ARO, PSO, GA, and GWO, to optimize the hyperparameters of a feed-forward neural network. The experiments are conducted on the MNIST dataset, commonly used for image analysis. Comparing the accuracy of models trained with these algorithms, with and without dropout, reveals that bio-inspired algorithms improve deep learning model accuracy. Incorporating bio-inspired algorithms in hyperparameter tuning shows promise for optimizing deep learning models. By drawing inspiration from nature, these algorithms enhance performance and generalization, demonstrating their efficacy in deep learning hyperparameter tuning Côte titre : MAI/0761 En ligne : https://drive.google.com/file/d/1WcfNow4t2G8wXoZTx2oNMTp_XM-CbHG0/view?usp=drive [...] Format de la ressource électronique : pdf Artificial Rabbit Optimization For Tuning Deep Learning Parameters [texte imprimé] / Yasmine Tigha ; Ibtihel Boussahel ; Semcheddine,Moussa, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol (84 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Optimization  Artificial Rabbit Optimization  Genetic Algorithms  Particle Swarm Optimization  Grey Wolf Optimization  Deep Learning learning rate  and dropout rate Index. décimale : 004 - Informatique Résumé : Deep learning models’ performance heavily relies on selecting appropriate hyperparameters, such as learning rate, dropout rate , and network architecture. However, finding the optimal values for these hyperparameters is challenging due to the lack of fixed rules. In this thesis, we propose using bio-inspired algorithms, including ARO, PSO, GA, and GWO, to optimize the hyperparameters of a feed-forward neural network. The experiments are conducted on the MNIST dataset, commonly used for image analysis. Comparing the accuracy of models trained with these algorithms, with and without dropout, reveals that bio-inspired algorithms improve deep learning model accuracy. Incorporating bio-inspired algorithms in hyperparameter tuning shows promise for optimizing deep learning models. By drawing inspiration from nature, these algorithms enhance performance and generalization, demonstrating their efficacy in deep learning hyperparameter tuning Côte titre : MAI/0761 En ligne : https://drive.google.com/file/d/1WcfNow4t2G8wXoZTx2oNMTp_XM-CbHG0/view?usp=drive [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0761	MAI/0761	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

Developpement of Algerian Mobile Application for CARPOOL / Yasmine Bouzid

Public ISBD Titre : Developpement of Algerian Mobile Application for CARPOOL Type de document : texte imprimé Auteurs : Yasmine Bouzid, Auteur ; Lyna Bouselsal ; Semcheddine,Moussa, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (55 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : WebSite Responsive Application Mobile Django Carpool Index. décimale : 004 - Informatique Résumé : This project involves developing a carpool mobile app designed to meet users’ needs and ensure their trust and satisfaction. The app includes a secure registration process to verify user identities and an effective evaluation mechanism for trip participants. It facilitates posting and searching for rides and features a real-time localization system to help users identify meeting points and track drivers or passengers. The development of the app involved the use of various development tools and frameworks for both back-end and front-end, including technologies for real-time experiences, caching, maps integration, and responsive design. Additionally, the app incorporates progressive web application (PWA) technologies. The project not only addresses the challenges of traffic congestion, environmental pollution, and high transportation costs but also aims to provide a user-friendly, reliable, and secure carpooling solution. Note de contenu : Sommaire Abstract 1 Table of contents 3 List of figures 4 List of tables 5 General Introduction 6 1 Carpooling and Mobile Applications 8 1.1 Introduction: . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.2 Definition: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3 Principle: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4 Types of carpooling: . . . . . . . . . . . . . . . . . . . . . . . 10 1.5 Advantages and disadvantages of carpooling: . . . . . . . . . . 11 1.6 Examples of carpool apps: . . . . . . . . . . . . . . . . . . . . 12 1.6.1 TOP 4 carpooling apps [10]: . . . . . . . . . . . . . . . 12 1.6.2 Algerian carpooling apps: . . . . . . . . . . . . . . . . 13 1.7 Mobile app definition: . . . . . . . . . . . . . . . . . . . . . . 13 1.8 Types of Mobile Application: . . . . . . . . . . . . . . . . . . 13 1.8.1 Native Apps . . . . . . . . . . . . . . . . . . . . . . . . 14 1.8.2 Web Apps : . . . . . . . . . . . . . . . . . . . . . . . . 14 1.8.3 Hybrid Application : . . . . . . . . . . . . . . . . . . . 14 1.8.4 Progressive Web Apps (PWAs) : . . . . . . . . . . . . . 14 1.9 Different mobile operating systems: . . . . . . . . . . . . . . . 15 1.10 The advantages and disadvantages of mobile applications: . . . 15 1.11 Most commonly used development environments and tools (languages, frameworks......): . . . . . . . . . . . . . . . . . . . 16 1.11.1 Programming Languages: . . . . . . . . . . . . . . . . 16 1.11.2 Frameworks: . . . . . . . . . . . . . . . . . . . . . . . . 17 1.12 Native apps vs web apps: . . . . . . . . . . . . . . . . . . . . . 18 1.13 From web app to native app: . . . . . . . . . . . . . . . . . . . 19 1.14 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2 Analysis and design 20 2.1 Introduction: . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.2 Identifying the actors: . . . . . . . . . . . . . . . . . . . . . . 21 2.3 Requirements specifications: . . . . . . . . . . . . . . . . . . . 22 2.4 Design: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.5 Database Design . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.6 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3 Creation and implementation 38 3.1 Introduction: . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2 Development tools: . . . . . . . . . . . . . . . . . . . . . . . . 39 3.3 Application navigation diagram: . . . . . . . . . . . . . . . . . 44 3.4 Present the application interfaces . . . . . . . . . . . . . . . . 44 3.5 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 Côte titre : MAI/0907 Developpement of Algerian Mobile Application for CARPOOL [texte imprimé] / Yasmine Bouzid, Auteur ; Lyna Bouselsal ; Semcheddine,Moussa, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (55 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : WebSite Responsive Application Mobile Django Carpool Index. décimale : 004 - Informatique Résumé : This project involves developing a carpool mobile app designed to meet users’ needs and ensure their trust and satisfaction. The app includes a secure registration process to verify user identities and an effective evaluation mechanism for trip participants. It facilitates posting and searching for rides and features a real-time localization system to help users identify meeting points and track drivers or passengers. The development of the app involved the use of various development tools and frameworks for both back-end and front-end, including technologies for real-time experiences, caching, maps integration, and responsive design. Additionally, the app incorporates progressive web application (PWA) technologies. The project not only addresses the challenges of traffic congestion, environmental pollution, and high transportation costs but also aims to provide a user-friendly, reliable, and secure carpooling solution. Note de contenu : Sommaire Abstract 1 Table of contents 3 List of figures 4 List of tables 5 General Introduction 6 1 Carpooling and Mobile Applications 8 1.1 Introduction: . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.2 Definition: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3 Principle: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4 Types of carpooling: . . . . . . . . . . . . . . . . . . . . . . . 10 1.5 Advantages and disadvantages of carpooling: . . . . . . . . . . 11 1.6 Examples of carpool apps: . . . . . . . . . . . . . . . . . . . . 12 1.6.1 TOP 4 carpooling apps [10]: . . . . . . . . . . . . . . . 12 1.6.2 Algerian carpooling apps: . . . . . . . . . . . . . . . . 13 1.7 Mobile app definition: . . . . . . . . . . . . . . . . . . . . . . 13 1.8 Types of Mobile Application: . . . . . . . . . . . . . . . . . . 13 1.8.1 Native Apps . . . . . . . . . . . . . . . . . . . . . . . . 14 1.8.2 Web Apps : . . . . . . . . . . . . . . . . . . . . . . . . 14 1.8.3 Hybrid Application : . . . . . . . . . . . . . . . . . . . 14 1.8.4 Progressive Web Apps (PWAs) : . . . . . . . . . . . . . 14 1.9 Different mobile operating systems: . . . . . . . . . . . . . . . 15 1.10 The advantages and disadvantages of mobile applications: . . . 15 1.11 Most commonly used development environments and tools (languages, frameworks......): . . . . . . . . . . . . . . . . . . . 16 1.11.1 Programming Languages: . . . . . . . . . . . . . . . . 16 1.11.2 Frameworks: . . . . . . . . . . . . . . . . . . . . . . . . 17 1.12 Native apps vs web apps: . . . . . . . . . . . . . . . . . . . . . 18 1.13 From web app to native app: . . . . . . . . . . . . . . . . . . . 19 1.14 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2 Analysis and design 20 2.1 Introduction: . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.2 Identifying the actors: . . . . . . . . . . . . . . . . . . . . . . 21 2.3 Requirements specifications: . . . . . . . . . . . . . . . . . . . 22 2.4 Design: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.5 Database Design . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.6 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3 Creation and implementation 38 3.1 Introduction: . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2 Development tools: . . . . . . . . . . . . . . . . . . . . . . . . 39 3.3 Application navigation diagram: . . . . . . . . . . . . . . . . . 44 3.4 Present the application interfaces . . . . . . . . . . . . . . . . 44 3.5 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 Côte titre : MAI/0907

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0907	MAI/0907	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

Elephant herding optimization for image begmentation / Harrouche,Oussama  

Public ISBD Titre : Elephant herding optimization for image begmentation Type de document : texte imprimé Auteurs : Harrouche,Oussama, Auteur ; Semcheddine,Moussa, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (70 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Côte titre : MAI/0421 En ligne : https://drive.google.com/file/d/1zjYqn6jyDSrFx_IRf7fBSJxUE5f7ZrGp/view?usp=shari [...] Format de la ressource électronique : pdf Elephant herding optimization for image begmentation [texte imprimé] / Harrouche,Oussama, Auteur ; Semcheddine,Moussa, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (70 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Côte titre : MAI/0421 En ligne : https://drive.google.com/file/d/1zjYqn6jyDSrFx_IRf7fBSJxUE5f7ZrGp/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0421	MAI/0421	Mémoire	Bibliothèque des sciences	Français	Disponible Disponible

Fast fuzzy c-menas for mr brain image segmentation / Serti,Chouaib

Public ISBD Titre : Fast fuzzy c-menas for mr brain image segmentation Type de document : texte imprimé Auteurs : Serti,Chouaib, Auteur ; Semcheddine,Moussa, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (53 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Côte titre : MAI/0294 Fast fuzzy c-menas for mr brain image segmentation [texte imprimé] / Serti,Chouaib, Auteur ; Semcheddine,Moussa, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (53 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Côte titre : MAI/0294

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0294	MAI/0294	Mémoire	Bibliothèque des sciences	Français	Disponible Disponible

Machine Learning and Deep Learning for Autism Spectrum Disorder (ASD) detection / Nour elhouda Mahdaoui

Public ISBD Titre : Machine Learning and Deep Learning for Autism Spectrum Disorder (ASD) detection Type de document : document électronique Auteurs : Nour elhouda Mahdaoui ; kaouther Belkefoul, Auteur ; Semcheddine,Moussa, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (75 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Autism Spectrum Disorder Early detection Deep learning Facial images Movement Index. décimale : 004 Informatique Résumé : Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder characterized by difficulties with social interaction, communication, and behavior. Early identification ensures timely intervention and improves quality of life. The present study proposes a two-modality binary classification approach for ASD detection based on facial image data and movement data. The image dataset consists of facial photos of children labeled as ASD or non-ASD. The movement data, captured using a Kinect v2 sensor, comprises 1,259 features per subject derived from 3D joint positions and gait metrics, with a total of 800 samples. A DenseNet121 convolutional neural network (CNN) was employed for images, achieving 89% accuracy. Grad-CAM was used to provide visual explanations by highlighting important regions in the images. For the movement modality, a Multi-Layer Perceptron (MLP) trained on features learned via an autoencoder achieved 99.38% accuracy, with Shapley Additive exPlanations (SHAP) applied to identify key features influencing model decisions. Finally, a late fusion mechanism combining both models was evaluated, resulting in 88.12% accuracy. Results highlight the effectiveness of unimodal solutions, particularly the MLP with autoencoder, and indicate that multimodal fusion requires further optimization for enhanced overall performance Note de contenu : Sommaire List of Figures iv List of Tables v List of abbreviations vi General Introduction 1 Chapter 1 : Autism spectrum disorder (ASD) 3 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1 Definition and overview . . . . . . . . . . . . . . . . . . . . . . . . 4 1.1 Historical perspective on autism . . . . . . . . . . . . . . . . . 5 2 Prevalence and epidemiology of ASD . . . . . . . . . . . . . . . . . 6 3 Causes and risks . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3.1 Genetic factors . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3.2 Environmental risk factors . . . . . . . . . . . . . . . . . . . . 7 3.3 Parental age and premature birth . . . . . . . . . . . . . . . . . 7 4 Signs and symptoms of autism spectrum disorder (ASD) . . . . . . . 8 5 Diagnosis of autism spectrum disorder . . . . . . . . . . . . . . . . . 9 6 Importance of early diagnosis . . . . . . . . . . . . . . . . . . . . . 11 7 Comorbidities of autism spectrum disorder (ASD) . . . . . . . . . . . 11 7.1 Common comorbidities . . . . . . . . . . . . . . . . . . . . . 11 7.2 Psychiatric conditions . . . . . . . . . . . . . . . . . . . . . . 12 8 Interventions and treatments for ASD . . . . . . . . . . . . . . . . . 12 9 The role of technology in autism spectrum disorder . . . . . . . . . . 13 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 Chapter 2 : Background and Literature Review 15 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1 Machine learning (ML) . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.1 Definition and basic concepts of ML . . . . . . . . . . . . . . 16 1.2 Types of machine learning . . . . . . . . . . . . . . . . . . . . 17 2 Deep learning (DL) . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.1 Definition and basic concepts of DL . . . . . . . . . . . . . . . 19 2.2 Evolution of deep learning models . . . . . . . . . . . . . . . 20 2.3 Types of artificial neural networks . . . . . . . . . . . . . . . . 21 2.4 Evaluation metrics for deep learning and machine learning models 25 2.5 Deep learning vs. traditional machine learning . . . . . . . . . 26 3 ML and DL for ASD detection . . . . . . . . . . . . . . . . . . . . . 26 3.1 Advantages of ML/DL over traditional methods . . . . . . . . 27 3.2 Analyzing complex patterns in large datasets . . . . . . . . . . 27 4 Machine learning techniques for ASD detection . . . . . . . . . . . . 27 4.1 Neuroimaging-based approaches . . . . . . . . . . . . . . . . 28 4.2 Behavioral data and feature-based models . . . . . . . . . . . . 30 4.3 Hybrid and ensemble learning approaches . . . . . . . . . . . 31 5 Deep learning techniques for ASD detection . . . . . . . . . . . . . . 32 5.1 Convolutional neural networks for ASD classification . . . . . 33 5.2 Transfer learning for ASD detection using facial features . . . . 34 5.3 Hybrid and multi-modal learning approaches . . . . . . . . . . 36 6 Data sources for machine learning and deep learning in autism spectrum disorder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 7 Challenges and limitations in ML/DL for ASD detection . . . . . . . 37 7.1 Unavailable MRI neuroimaging datasets of ASD patients . . . 38 7.2 Challenges in artificial intelligence algorithms in diagnosing autism spectrum disorder . . . . . . . . . . . . . . . . . . . . 38 7.3 Challenges in hardware . . . . . . . . . . . . . . . . . . . . . 38 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 Chapter3 : Contribution,experiments and results 40 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 1 Development environment . . . . . . . . . . . . . . . . . . . . . . . 41 1.1 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 1.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 2 Proposed methodology . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.1 Phase 1: Motion data analysis . . . . . . . . . . . . . . . . . . 43 2.2 Phase 2: Analysis of image data using deep learning . . . . . . 47 2.3 Phase 3: Multimodal learning via late fusion . . . . . . . . . . 51 3 Validation Strategy . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 3.1 Dataset Preparation . . . . . . . . . . . . . . . . . . . . . . . 53 3.2 Model Architectures . . . . . . . . . . . . . . . . . . . . . . . 53 3.3 Experimental Settings . . . . . . . . . . . . . . . . . . . . . . 56 3.4 Results and Analysis . . . . . . . . . . . . . . . . . . . . . . . 57 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 Conclusion and future work 60 Bibliographie 75 Côte titre : MAI/0965 Machine Learning and Deep Learning for Autism Spectrum Disorder (ASD) detection [document électronique] / Nour elhouda Mahdaoui ; kaouther Belkefoul, Auteur ; Semcheddine,Moussa, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (75 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Autism Spectrum Disorder Early detection Deep learning Facial images Movement Index. décimale : 004 Informatique Résumé : Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder characterized by difficulties with social interaction, communication, and behavior. Early identification ensures timely intervention and improves quality of life. The present study proposes a two-modality binary classification approach for ASD detection based on facial image data and movement data. The image dataset consists of facial photos of children labeled as ASD or non-ASD. The movement data, captured using a Kinect v2 sensor, comprises 1,259 features per subject derived from 3D joint positions and gait metrics, with a total of 800 samples. A DenseNet121 convolutional neural network (CNN) was employed for images, achieving 89% accuracy. Grad-CAM was used to provide visual explanations by highlighting important regions in the images. For the movement modality, a Multi-Layer Perceptron (MLP) trained on features learned via an autoencoder achieved 99.38% accuracy, with Shapley Additive exPlanations (SHAP) applied to identify key features influencing model decisions. Finally, a late fusion mechanism combining both models was evaluated, resulting in 88.12% accuracy. Results highlight the effectiveness of unimodal solutions, particularly the MLP with autoencoder, and indicate that multimodal fusion requires further optimization for enhanced overall performance Note de contenu : Sommaire List of Figures iv List of Tables v List of abbreviations vi General Introduction 1 Chapter 1 : Autism spectrum disorder (ASD) 3 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1 Definition and overview . . . . . . . . . . . . . . . . . . . . . . . . 4 1.1 Historical perspective on autism . . . . . . . . . . . . . . . . . 5 2 Prevalence and epidemiology of ASD . . . . . . . . . . . . . . . . . 6 3 Causes and risks . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3.1 Genetic factors . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3.2 Environmental risk factors . . . . . . . . . . . . . . . . . . . . 7 3.3 Parental age and premature birth . . . . . . . . . . . . . . . . . 7 4 Signs and symptoms of autism spectrum disorder (ASD) . . . . . . . 8 5 Diagnosis of autism spectrum disorder . . . . . . . . . . . . . . . . . 9 6 Importance of early diagnosis . . . . . . . . . . . . . . . . . . . . . 11 7 Comorbidities of autism spectrum disorder (ASD) . . . . . . . . . . . 11 7.1 Common comorbidities . . . . . . . . . . . . . . . . . . . . . 11 7.2 Psychiatric conditions . . . . . . . . . . . . . . . . . . . . . . 12 8 Interventions and treatments for ASD . . . . . . . . . . . . . . . . . 12 9 The role of technology in autism spectrum disorder . . . . . . . . . . 13 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 Chapter 2 : Background and Literature Review 15 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1 Machine learning (ML) . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.1 Definition and basic concepts of ML . . . . . . . . . . . . . . 16 1.2 Types of machine learning . . . . . . . . . . . . . . . . . . . . 17 2 Deep learning (DL) . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.1 Definition and basic concepts of DL . . . . . . . . . . . . . . . 19 2.2 Evolution of deep learning models . . . . . . . . . . . . . . . 20 2.3 Types of artificial neural networks . . . . . . . . . . . . . . . . 21 2.4 Evaluation metrics for deep learning and machine learning models 25 2.5 Deep learning vs. traditional machine learning . . . . . . . . . 26 3 ML and DL for ASD detection . . . . . . . . . . . . . . . . . . . . . 26 3.1 Advantages of ML/DL over traditional methods . . . . . . . . 27 3.2 Analyzing complex patterns in large datasets . . . . . . . . . . 27 4 Machine learning techniques for ASD detection . . . . . . . . . . . . 27 4.1 Neuroimaging-based approaches . . . . . . . . . . . . . . . . 28 4.2 Behavioral data and feature-based models . . . . . . . . . . . . 30 4.3 Hybrid and ensemble learning approaches . . . . . . . . . . . 31 5 Deep learning techniques for ASD detection . . . . . . . . . . . . . . 32 5.1 Convolutional neural networks for ASD classification . . . . . 33 5.2 Transfer learning for ASD detection using facial features . . . . 34 5.3 Hybrid and multi-modal learning approaches . . . . . . . . . . 36 6 Data sources for machine learning and deep learning in autism spectrum disorder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 7 Challenges and limitations in ML/DL for ASD detection . . . . . . . 37 7.1 Unavailable MRI neuroimaging datasets of ASD patients . . . 38 7.2 Challenges in artificial intelligence algorithms in diagnosing autism spectrum disorder . . . . . . . . . . . . . . . . . . . . 38 7.3 Challenges in hardware . . . . . . . . . . . . . . . . . . . . . 38 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 Chapter3 : Contribution,experiments and results 40 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 1 Development environment . . . . . . . . . . . . . . . . . . . . . . . 41 1.1 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 1.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 2 Proposed methodology . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.1 Phase 1: Motion data analysis . . . . . . . . . . . . . . . . . . 43 2.2 Phase 2: Analysis of image data using deep learning . . . . . . 47 2.3 Phase 3: Multimodal learning via late fusion . . . . . . . . . . 51 3 Validation Strategy . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 3.1 Dataset Preparation . . . . . . . . . . . . . . . . . . . . . . . 53 3.2 Model Architectures . . . . . . . . . . . . . . . . . . . . . . . 53 3.3 Experimental Settings . . . . . . . . . . . . . . . . . . . . . . 56 3.4 Results and Analysis . . . . . . . . . . . . . . . . . . . . . . . 57 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 Conclusion and future work 60 Bibliographie 75 Côte titre : MAI/0965

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0965	MAI/0965	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

Management Platform of the BTCS "Blood Transfusion Center-Sétif" / Abdelbari Lansari

Permalink

A Modified Black Widow Optimization Algorithm for Multilevel Thresholding Image Segmentation / Hocine Seif Eddine Lakhal  

Permalink

Recent Advances in Bioinspired Algorithms / Laid Madani

Permalink

Toward Advanced Deep Learning Techniques for Medical Image Analysis / Ayoub Laouarem  

Permalink

Tuning deep learning parameters using bio-inspired algorithm / Aya Lakhdari  

Permalink

---

1 (1 - 10 / 10)