University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'indexation
Ouvrages de la bibliothèque en indexation 004
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Deep Learning for Medical Object Detection and Segmentation : Case of Osteoarthritis Disease Type de document : texte imprimé Auteurs : Ouassim boukhennoufa, Auteur ; Aymen kara mahammed, Auteur ; Abdelouahab Moussaoui, Directeur de thèse Année de publication : 2022 Importance : 1 vol (105 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Transfer learning
Vision transformersIndex. décimale : 004 Informatique Résumé :
Osteoarthritis disease is mainly caused due to the damage to the knee joints, and
since it is damaged, and diagnosed at late stages, there is almost no chance to reverse
and cure the bone, which means that the patient will lose the ability to walk in a normal
way and doing physical activities, and may entirely lose the use of his knees. In this
thesis we want to propose novel classification models based on deep learning that will be
able to classify and identify different grades of the osteoarthritis disease, and also object
detectors to compare them to the classification models. We propose seven customized
transfer learning models, we also proposed 7 Vision transformers models. In order to
evaluate our model, we have compared the diagnosis of 6 experts in relation to deep
learning with the performance of our models. Our proposed models outperformed the
diagnosis of the previously published works using the same data, where we obtained
an accuracy of up to 93.87% with early-stage detection. In addition, object detection
approaches were proposed based on YoLo to compare them to classification models.Côte titre : MAI/0617 En ligne : https://drive.google.com/file/d/1wy5MIfktmP63KzGlInLn58_HPt-I2S7r/view?usp=share [...] Format de la ressource électronique : Deep Learning for Medical Object Detection and Segmentation : Case of Osteoarthritis Disease [texte imprimé] / Ouassim boukhennoufa, Auteur ; Aymen kara mahammed, Auteur ; Abdelouahab Moussaoui, Directeur de thèse . - 2022 . - 1 vol (105 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Transfer learning
Vision transformersIndex. décimale : 004 Informatique Résumé :
Osteoarthritis disease is mainly caused due to the damage to the knee joints, and
since it is damaged, and diagnosed at late stages, there is almost no chance to reverse
and cure the bone, which means that the patient will lose the ability to walk in a normal
way and doing physical activities, and may entirely lose the use of his knees. In this
thesis we want to propose novel classification models based on deep learning that will be
able to classify and identify different grades of the osteoarthritis disease, and also object
detectors to compare them to the classification models. We propose seven customized
transfer learning models, we also proposed 7 Vision transformers models. In order to
evaluate our model, we have compared the diagnosis of 6 experts in relation to deep
learning with the performance of our models. Our proposed models outperformed the
diagnosis of the previously published works using the same data, where we obtained
an accuracy of up to 93.87% with early-stage detection. In addition, object detection
approaches were proposed based on YoLo to compare them to classification models.Côte titre : MAI/0617 En ligne : https://drive.google.com/file/d/1wy5MIfktmP63KzGlInLn58_HPt-I2S7r/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0617 MAI/0617 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleDeep learning for the recognition and classification of different postures and behaviors of vehicle drivers / Hamitouche,Ilyes
Titre : Deep learning for the recognition and classification of different postures and behaviors of vehicle drivers Type de document : texte imprimé Auteurs : Hamitouche,Ilyes, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (71 f .) Format : 29 cm Langues : Anglais (eng) Langues originales : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep learning
Réseau de neurons convolutionnel
Reconnaissance
Des postures
Apprentissage automatique
Data mining
TensorflowIndex. décimale : 004 Informatique Résumé : Résumé
Ce travail présente un nouveau système qui applique le réseau de neurons
convolutionnel pour détecter automatiquement et prédire les postures des
conducteurs. L’idée principale est de surveiller les informations discriminantes
extraites pour prédire les différentes postures de conduite. L’approche
a été testée et vérifiée à l’aide du base de données State Farm distracted
driver, qui comprend des images couvrant dix positions de conduite différentes,
y compris la conduite normal (sécurisée), parler au téléphone main
droite/main gauche, manipuler la radio, parler avec le passager etc. Comparé
à d’autres approches populaires avec des descripteurs d’image et des
méthodes de classification différents, notre modèle a obtenu les meilleures
résultats.Note de contenu :
Sommaire
List of Tables 9
List of Figures 11
1 Introduction 1
1.1 Thesis objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Thesis organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 Background 3
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Why DataMining (Motivation) ? . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Type of data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3.1 Data of DataBases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3.2 Data of DataWarehouses . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3.3 Transactional data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4 DataMining techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4.1 Association rules mining . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.2 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4.3 Prediction technique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4.4 Clustering technique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4.5 Outlier analysis technique . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 DataMining Task Primitives . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.6 What isMachine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.6.1 Some Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.7 Machine learning techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.7.1 Supervised learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.7.2 Unsupervised learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.8 Machine Learning algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.8.1 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.8.2 Support vector machine . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.8.3 Neural networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.8.4 Randomforests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3
CONTENTS
2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3 Deep Learning Overview:
A new artificial intelligence alternative. 23
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Concepts and definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.2 Concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3 Deep Learning architectures types . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.1 Deep Autoencoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3.2 Deep Belief Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3.3 Convolutional Neural Networks (CNNs) . . . . . . . . . . . . . . . . 28
3.3.4 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.5 Comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4 Deep Learning Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4.1 Image and video processing . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4.2 Speech and audio processing . . . . . . . . . . . . . . . . . . . . . . . 34
3.4.3 Text Analysis and Natural Language Processing . . . . . . . . . . . . 35
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4 Literature review 37
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Posture recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.2 Concept . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3 Human postures recognition methods . . . . . . . . . . . . . . . . . . . . . . 40
4.3.1 Intrusive techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.2 Non-intrusive techniques . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.4 Postures recognition methodology . . . . . . . . . . . . . . . . . . . . . . . . 41
4.4.1 Data Acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.4.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.4.3 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.4.4 Feature Extrcation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4.5 Recognition and classification . . . . . . . . . . . . . . . . . . . . . . 43
4.5 RelatedWork . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5 Methodology and tools 47
5.1 Dataset, Preprocessing and features extraction . . . . . . . . . . . . . . . . . 47
CONTENTS
5.1.1 Dataset description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.1.2 Preprocessing and Feature extraction . . . . . . . . . . . . . . . . . . 49
5.2 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.2.2 Jupyter Notebook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.2.3 Tensorflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2.4 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2.5 Scikitlearn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2.6 Google Colaboratory . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.3 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.3.1 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.3.2 Poposed approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.3.3 CNN Confugirations results . . . . . . . . . . . . . . . . . . . . . . . . 54
5.4 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.4.1 First configuration results . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.4.2 Second configuration results . . . . . . . . . . . . . . . . . . . . . . . 55
5.4.3 Randomforest results . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6 Conclusion 61
Bibliography 63
Côte titre : MAI/0227 En ligne : https://drive.google.com/file/d/1g4J8M_tIvqVfAv0bAQQkVVw_UHQwsibf/view?usp=shari [...] Format de la ressource électronique : Deep learning for the recognition and classification of different postures and behaviors of vehicle drivers [texte imprimé] / Hamitouche,Ilyes, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (71 f .) ; 29 cm.
Langues : Anglais (eng) Langues originales : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep learning
Réseau de neurons convolutionnel
Reconnaissance
Des postures
Apprentissage automatique
Data mining
TensorflowIndex. décimale : 004 Informatique Résumé : Résumé
Ce travail présente un nouveau système qui applique le réseau de neurons
convolutionnel pour détecter automatiquement et prédire les postures des
conducteurs. L’idée principale est de surveiller les informations discriminantes
extraites pour prédire les différentes postures de conduite. L’approche
a été testée et vérifiée à l’aide du base de données State Farm distracted
driver, qui comprend des images couvrant dix positions de conduite différentes,
y compris la conduite normal (sécurisée), parler au téléphone main
droite/main gauche, manipuler la radio, parler avec le passager etc. Comparé
à d’autres approches populaires avec des descripteurs d’image et des
méthodes de classification différents, notre modèle a obtenu les meilleures
résultats.Note de contenu :
Sommaire
List of Tables 9
List of Figures 11
1 Introduction 1
1.1 Thesis objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Thesis organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 Background 3
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Why DataMining (Motivation) ? . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Type of data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3.1 Data of DataBases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3.2 Data of DataWarehouses . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3.3 Transactional data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4 DataMining techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4.1 Association rules mining . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.2 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4.3 Prediction technique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4.4 Clustering technique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4.5 Outlier analysis technique . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 DataMining Task Primitives . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.6 What isMachine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.6.1 Some Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.7 Machine learning techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.7.1 Supervised learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.7.2 Unsupervised learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.8 Machine Learning algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.8.1 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.8.2 Support vector machine . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.8.3 Neural networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.8.4 Randomforests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3
CONTENTS
2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3 Deep Learning Overview:
A new artificial intelligence alternative. 23
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Concepts and definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.2 Concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3 Deep Learning architectures types . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.1 Deep Autoencoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3.2 Deep Belief Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3.3 Convolutional Neural Networks (CNNs) . . . . . . . . . . . . . . . . 28
3.3.4 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.5 Comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4 Deep Learning Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4.1 Image and video processing . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4.2 Speech and audio processing . . . . . . . . . . . . . . . . . . . . . . . 34
3.4.3 Text Analysis and Natural Language Processing . . . . . . . . . . . . 35
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4 Literature review 37
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Posture recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.2 Concept . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3 Human postures recognition methods . . . . . . . . . . . . . . . . . . . . . . 40
4.3.1 Intrusive techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.2 Non-intrusive techniques . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.4 Postures recognition methodology . . . . . . . . . . . . . . . . . . . . . . . . 41
4.4.1 Data Acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.4.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.4.3 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.4.4 Feature Extrcation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4.5 Recognition and classification . . . . . . . . . . . . . . . . . . . . . . 43
4.5 RelatedWork . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5 Methodology and tools 47
5.1 Dataset, Preprocessing and features extraction . . . . . . . . . . . . . . . . . 47
CONTENTS
5.1.1 Dataset description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.1.2 Preprocessing and Feature extraction . . . . . . . . . . . . . . . . . . 49
5.2 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.2.2 Jupyter Notebook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.2.3 Tensorflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2.4 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2.5 Scikitlearn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2.6 Google Colaboratory . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.3 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.3.1 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.3.2 Poposed approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.3.3 CNN Confugirations results . . . . . . . . . . . . . . . . . . . . . . . . 54
5.4 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.4.1 First configuration results . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.4.2 Second configuration results . . . . . . . . . . . . . . . . . . . . . . . 55
5.4.3 Randomforest results . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6 Conclusion 61
Bibliography 63
Côte titre : MAI/0227 En ligne : https://drive.google.com/file/d/1g4J8M_tIvqVfAv0bAQQkVVw_UHQwsibf/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0227 MAI/0227 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Deep learning et machine learning appliques a l'analyse des sentiments Type de document : texte imprimé Auteurs : Boussaha, Maroua, Auteur ; Benzine, Mehdi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (54 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
L'homme a toujours recours au divertissement pour se divertir. A notre epoque,
il existe de nombreux divertissements tels que la musique, les activites sportives,
les lms, etc., mais ils ne sont souvent pas disponibles pour tout le monde, certains
d'entre eux sont payants et certains necessitent des deplacements d'un endroit a
un autre, par contre il est connu que les lms sont les moyens de divertissements
les plus simples car ils sont gratuits et il est possible de les regarde a tout moment
et n'importe ou, ainsi qu'ils orent plus de suspens. Mais avant de regarder un
lm, il faut s'assurer de sa qualite, et comme les points de vue des viseurs sur un
lm sont dierents, il ne sut pas d'en avoir un apercu prealable sur le lm et
d'en conna^tre la qualite, d'ou il ya une augmentation de demande et la necessite
de construire un bon modele d'analyse des sentiments qui classe les critiques de
lms.
L'analyse des sentiments vise a extraire des informations subjectives comme des
jugements, des evaluations ou des emotions pour detecter la polarite d'une opinion.
Dans cette these, nous avons utilise deux approches populaires qui sont l'apprentissage
automatique et l'apprentissage profond, pour la premiere approche nous
appliquerons cinq classicateurs d'apprentissage automatique : Machine a vecteurs
de support, Naive Bayes, Arbre de decision, Regression logistique, voisin le
plus proche, pour la deuxieme approche nous appliquerons le reseau de neurones
convolutifs (CNN) et le modele de reseau de neurones a memoire a long court
terme (LSTM).
2Côte titre : MAI/0474 En ligne : https://drive.google.com/file/d/1DH2b6d0JeFFALtqOaAe29o3mpqwEet3f/view?usp=shari [...] Format de la ressource électronique : Deep learning et machine learning appliques a l'analyse des sentiments [texte imprimé] / Boussaha, Maroua, Auteur ; Benzine, Mehdi, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (54 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
L'homme a toujours recours au divertissement pour se divertir. A notre epoque,
il existe de nombreux divertissements tels que la musique, les activites sportives,
les lms, etc., mais ils ne sont souvent pas disponibles pour tout le monde, certains
d'entre eux sont payants et certains necessitent des deplacements d'un endroit a
un autre, par contre il est connu que les lms sont les moyens de divertissements
les plus simples car ils sont gratuits et il est possible de les regarde a tout moment
et n'importe ou, ainsi qu'ils orent plus de suspens. Mais avant de regarder un
lm, il faut s'assurer de sa qualite, et comme les points de vue des viseurs sur un
lm sont dierents, il ne sut pas d'en avoir un apercu prealable sur le lm et
d'en conna^tre la qualite, d'ou il ya une augmentation de demande et la necessite
de construire un bon modele d'analyse des sentiments qui classe les critiques de
lms.
L'analyse des sentiments vise a extraire des informations subjectives comme des
jugements, des evaluations ou des emotions pour detecter la polarite d'une opinion.
Dans cette these, nous avons utilise deux approches populaires qui sont l'apprentissage
automatique et l'apprentissage profond, pour la premiere approche nous
appliquerons cinq classicateurs d'apprentissage automatique : Machine a vecteurs
de support, Naive Bayes, Arbre de decision, Regression logistique, voisin le
plus proche, pour la deuxieme approche nous appliquerons le reseau de neurones
convolutifs (CNN) et le modele de reseau de neurones a memoire a long court
terme (LSTM).
2Côte titre : MAI/0474 En ligne : https://drive.google.com/file/d/1DH2b6d0JeFFALtqOaAe29o3mpqwEet3f/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0474 MAI/0474 Mémoire Bibliothéque des sciences Français Disponible
DisponibleA deep learning Method for analyzing the spread of information in online social networks / Douadi,hasna
Titre : A deep learning Method for analyzing the spread of information in online social networks Type de document : texte imprimé Auteurs : Douadi,hasna, Auteur ; Drif, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (93 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Cascades indépendantes
Seuil
Processus de diffusion
Pression sociale
Réseaux sociaux
Recommandation d'informationIndex. décimale : 004 Informatique Résumé :
Conclusion générale
La modélisation des processus de diffusion dans les réseaux sociaux touche plusieurs domaines. Il peut s’agir de la diffusion de virus dans une population, de l’adoption de nouveaux produits par des clients potentiels, ou de la diffusion de contenus entre des utilisateurs. La plupart des modèles proposés jusqu’à présent décrivent le processus de diffusion en fonction de la topologie du réseau : une propagation ne peut avoir lieu entre deux individus que s’ils sont liés. Dans le contexte de la diffusion d’information, ces modèles mettent cependant de côté un certain nombre de paramètres importants tels que :
- le contenu de l’information diffusée.
- les goûts des utilisateurs, leurs thématiques d’intérêt.
- l’activité de l’utilisateur et son rôle social.
Afin de pallier à ce problème, nous avons présenté dans cette thèse un modèle de prédiction de diffusion de l’information basé sur les techniques de l’apprentissage profond dans les réseaux sociaux qui permet de voir évoluer l’état (diffusion et non diffusion) des utilisateurs d’un réseau au cours du temps.
Les différents travaux tout au long de cette thèse nous ont permis d’enrichir nos connaissances concernant les points suivants :
• Collecte des données via les API twitter.
• Appliquer les méthodes du processus d’extraction des connaissances ( ECD) sur notre ensemble de données recueilli.
• Découvrir de nouveaux outils d’analyse des réseaux sociaux.
• Se familiariser avec les modèles de deep Learning.
• Pouvoir modéliser un modèle RNN pour la prédiction de la diffusion de l’information dans les réseaux sociaux.
• Maitriser l’implémentation et le test des modèles d’apprentissage profond en R et en Python.
Nous avons présenté un modèle de prédiction de diffusion de l’information dans les réseaux sociaux qui permet de voir évoluer l’état (diffusion et non diffusion) des utilisateurs d’un réseau au cours du temps. Dans un premier temps, nous avons défini les composantes
de ce modèle. Nous avons vu que selon les valeurs des paramètres, nous pouvons améliorer les performances d’apprentissage de notre modèle RNN.
Dans le futur, nous envisageons d’étudier ce phénomène de la diffusion de l’information sur un grand ensemble de données. C’est intéressant aussi d’étudier ce phénomène sur un autre type de réseaux sociaux pour confirmer nos résultats obtenus.
Côte titre : MAI/0235 A deep learning Method for analyzing the spread of information in online social networks [texte imprimé] / Douadi,hasna, Auteur ; Drif, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (93 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Cascades indépendantes
Seuil
Processus de diffusion
Pression sociale
Réseaux sociaux
Recommandation d'informationIndex. décimale : 004 Informatique Résumé :
Conclusion générale
La modélisation des processus de diffusion dans les réseaux sociaux touche plusieurs domaines. Il peut s’agir de la diffusion de virus dans une population, de l’adoption de nouveaux produits par des clients potentiels, ou de la diffusion de contenus entre des utilisateurs. La plupart des modèles proposés jusqu’à présent décrivent le processus de diffusion en fonction de la topologie du réseau : une propagation ne peut avoir lieu entre deux individus que s’ils sont liés. Dans le contexte de la diffusion d’information, ces modèles mettent cependant de côté un certain nombre de paramètres importants tels que :
- le contenu de l’information diffusée.
- les goûts des utilisateurs, leurs thématiques d’intérêt.
- l’activité de l’utilisateur et son rôle social.
Afin de pallier à ce problème, nous avons présenté dans cette thèse un modèle de prédiction de diffusion de l’information basé sur les techniques de l’apprentissage profond dans les réseaux sociaux qui permet de voir évoluer l’état (diffusion et non diffusion) des utilisateurs d’un réseau au cours du temps.
Les différents travaux tout au long de cette thèse nous ont permis d’enrichir nos connaissances concernant les points suivants :
• Collecte des données via les API twitter.
• Appliquer les méthodes du processus d’extraction des connaissances ( ECD) sur notre ensemble de données recueilli.
• Découvrir de nouveaux outils d’analyse des réseaux sociaux.
• Se familiariser avec les modèles de deep Learning.
• Pouvoir modéliser un modèle RNN pour la prédiction de la diffusion de l’information dans les réseaux sociaux.
• Maitriser l’implémentation et le test des modèles d’apprentissage profond en R et en Python.
Nous avons présenté un modèle de prédiction de diffusion de l’information dans les réseaux sociaux qui permet de voir évoluer l’état (diffusion et non diffusion) des utilisateurs d’un réseau au cours du temps. Dans un premier temps, nous avons défini les composantes
de ce modèle. Nous avons vu que selon les valeurs des paramètres, nous pouvons améliorer les performances d’apprentissage de notre modèle RNN.
Dans le futur, nous envisageons d’étudier ce phénomène de la diffusion de l’information sur un grand ensemble de données. C’est intéressant aussi d’étudier ce phénomène sur un autre type de réseaux sociaux pour confirmer nos résultats obtenus.
Côte titre : MAI/0235 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0235 MAI/0235 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Deep Learning Model for Brain Tumor Radiogenomic Classification Type de document : texte imprimé Auteurs : hadjer Ouarem, Auteur ; aymen mohamed Sraouia, Auteur ; khaled Nasri, Directeur de thèse Année de publication : 2022 Importance : 1 vol (67 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
For malignant brain tumor (Glioblastoma), known as the worst prognosis, with median
survival being less than a year, recent medical research demonstrates that the presence
of a specific genetic sequence in the tumor known as MGMT promoter methylation has
been shown to be a favorable prognostic factor and a strong predictor of responsiveness to
chemotherapy. The problem is that traditional methodology of surgery to extract a sample to be
analyzed is very complicated for brain tumors cases, and takes long time.
In this work we will explore the efficiency of Deep Learning based methodology to detect the
existence of specific genomic sequences from MRI images. This alternative can be very useful
and can help many cases to be treated. We have used many pretrained models and many images
sequences to realize our experiences, to improve our models and determine which image sequence
is the best to detect MGMT genome from MRI data.Côte titre : MAI/0584 En ligne : https://drive.google.com/file/d/1vIJffysvjMQk-H2jqZA5t7HgVVIUBnUb/view?usp=share [...] Format de la ressource électronique : Deep Learning Model for Brain Tumor Radiogenomic Classification [texte imprimé] / hadjer Ouarem, Auteur ; aymen mohamed Sraouia, Auteur ; khaled Nasri, Directeur de thèse . - 2022 . - 1 vol (67 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
For malignant brain tumor (Glioblastoma), known as the worst prognosis, with median
survival being less than a year, recent medical research demonstrates that the presence
of a specific genetic sequence in the tumor known as MGMT promoter methylation has
been shown to be a favorable prognostic factor and a strong predictor of responsiveness to
chemotherapy. The problem is that traditional methodology of surgery to extract a sample to be
analyzed is very complicated for brain tumors cases, and takes long time.
In this work we will explore the efficiency of Deep Learning based methodology to detect the
existence of specific genomic sequences from MRI images. This alternative can be very useful
and can help many cases to be treated. We have used many pretrained models and many images
sequences to realize our experiences, to improve our models and determine which image sequence
is the best to detect MGMT genome from MRI data.Côte titre : MAI/0584 En ligne : https://drive.google.com/file/d/1vIJffysvjMQk-H2jqZA5t7HgVVIUBnUb/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0584 MAI/0584 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleA deep learning model for fakenewes detection / Belhakimi,Mohamed Amine
PermalinkPermalinkPermalinkDeep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique / Rim Chemsse Rezig
PermalinkDeep learning models for arrhythmia classification and coronary artery diseases detection / Khaoula Tobbal
PermalinkPermalinkDeep Learning pour l'identification et classification des expressions faciales émotionnelles / Diboune, nadia
PermalinkPermalinkPermalinkDesign and Implementation of Real-Time Applications Based on Component Models / Imad Eddine Touahria
Permalink