University Sétif 1 FERHAT ABBAS Faculty of Sciences
Catégories
Ajouter le résultat dans votre panier Affiner la recherche
Traçage des performances d’un apprenant en utilisant les réseaux de neurones / Cherif,FAbderrahim Yahia
Titre : Traçage des performances d’un apprenant en utilisant les réseaux de neurones Type de document : texte imprimé Auteurs : Cherif,FAbderrahim Yahia, Auteur ; Khentout , Chabane, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (66 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux de neurones Index. décimale : 004 - Informatique Résumé : Résumé
Notre travail s’intitule « Traçage des performances d’un apprenant en utilisant les réseaux
de neurones », ce mémoire va montrer comment faire une étude complète sur
l’apprentissage collaboratif, de la collecte des données lors des séances de collaboration,
chacune concernant un module, à l’étude des profils jusqu’à la réalisation d’un
apprentissage automatique sur les apprenants avec les réseaux de neurones et enfin, faire
des prédictions sur les profils des ces apprenants pour les orienter dans leurs choix. Le
mémoire se compose de quatre chapitres. Le premier définira l’apprentissage collaboratif
et le modèle de l’apprenant, le deuxième présentera les réseaux de neurones, le troisième
expliquera les données et le modèle utilisé, quant au quatrième, il décrira l’implémentation
et les résultats obtenus.Note de contenu : Sommaire
Table des matières
Introduction générale ........................................................................................................................ 1
Introduction au premier chapitre ...................................................................................................... 3
1. La collaboration .......................................................................................................................... 3
1.1. Définition ............................................................................................................................ 3
1.2. La différence avec la coopération ...................................................................................... 3
1.3. Les outils de collaboration ................................................................................................. 4
1.4. Le travail collaboratif .......................................................................................................... 4
2. L’apprentissage collaboratif ....................................................................................................... 4
2.1. Les fondements de l’apprentissage collaboratif ................................................................ 4
2.2. Qu’est-ce que l’apprentissage collaboratif ? ..................................................................... 6
2.3. Les principales caractéristiques de l’apprentissage collaboratif ........................................ 7
2.4. L’appellation computer supported collaborative learning (CSCL) ..................................... 8
2.5. Les avantages de l’apprentissage collaboratif ................................................................... 8
ï‚· Selon Walckiers et De Praetere .......................................................................... 8
 D’un point de vue pédagogique ......................................................................... 9
 D’un point de vue social ..................................................................................... 9
 D’un point de vue psychologique ..................................................................... 10
3. Le modèle de l’apprenant ........................................................................................................ 10
3.1. Pourquoi on utilise le modèle de l’apprenant ? ............................................................... 11
3.2. Les problèmes du modèle de l’apprenant ....................................................................... 11
3.3. Différents types de modélisation de l’apprenant ............................................................ 11
3.3.1. Le modèle de recouvrement (ovcrlay model) (VallLehll, 1988) ....................... 11
3.3.2. Le modèle par perturbations (buggy model) ................................................... 12
3.4. Elaboration du modèle de l'apprenant ............................................................................ 14
3.5. L’acquisition des connaissances ....................................................................................... 14
3.6. Les problèmes d'acquisition ............................................................................................. 15
Conclusion ......................................................................................................... 15
Introduction au deuxième chapitre ................................................................................................. 16
1. L’apparition des réseaux de neurones ..................................................................................... 16
2. La physiologie des neurones .................................................................................................... 17
3. Historique de la formalisation des réseaux de neurones ........................................................ 17
4. Les réseaux de neurones artificiels .......................................................................................... 18
4.1. Structure d’un neurone artificiel ...................................................................................... 19
4.2. Comportement d’un neurone artificiel ............................................................................ 20
4.3. Comparaison avec le neurone biologique ........................................................................ 20
5. Les fonctions d’activation......................................................................................................... 20
6. Les variantes des réseaux de neurones ................................................................................... 21
7. Topologie des réseaux de neurones ........................................................................................ 21
7.1. Réseau multicouche ( Feedforward ) ............................................................................... 22
 L’architecture des réseaux multi-couches ....................................................... 22
7.2. Réseau à connexions locales ............................................................................................ 23
7.3. Réseaux récurrents ou bouclés ( feedback network ) ...................................................... 23
ï‚· Long short-term memory (LSTM) ......................................................................................... 24
7.4. Réseau à connexions complètes ...................................................................................... 25
8. Apprentissage des réseaux de neurones ................................................................................. 25
8.1. Apprentissage non-supervisé ........................................................................................... 25
8.2. Apprentissage par renforcement ..................................................................................... 25
8.3. Apprentissage supervisé (Back Propagation) ................................................................... 26
9. Le Perceptron ........................................................................................................................... 26
9.1. Algorithme du Perceptron................................................................................................ 27
9.2. Limite du Perceptron et passage aux réseaux multicouches ........................................... 27
10. L’ajustement des poids ........................................................................................................ 27
10.1. La loi de Hebb ............................................................................................................... 27
10.2. La loi de Widrow-Hoff (delta rule)................................................................................ 28
11. Domaines d’application des réseaux de neurones artificiels et exemples .......................... 28
11.1. Système de mise en correspondance (domaine médical) ........................................... 29
11.2. Prédiction météorologique .......................................................................................... 29
11.3. Traitement d’images (exemple de l’évaluation de la qualité des plantes) .................. 30
11.4. La reconnaissance ........................................................................................................ 30
11.5. Les prévisions ............................................................................................................... 30
11.6. Approximation de fonctions ......................................................................................... 30
11.7. La robotique ................................................................................................................. 31
11.8. Optimisation de trajectoires ........................................................................................ 31
12. Avantages et inconvénients des réseaux de neurones ........................................................ 31
12.1. Les avantages ............................................................................................................... 31
12.2. Les inconvénients ......................................................................................................... 31
Conclusion .....................................................................................................................
Introduction au troisième chapitre .................................................................................................. 32
1. L’analyse du comportement d’un apprenant lors d’une session de collaboration pour la
collection de données ...................................................................................................................... 32
1.1. L’utilité d’un apprentissage collaboratif selon la nature des personnes ......................... 32
1.2. Le système d'analyse du processus d'interaction de Bales ............................................. 33
1.3. Le système d’analyse de Pléty .......................................................................................... 35
1.4. Combinaison des deux grilles « la grille hybride » ........................................................... 36
ï‚· Comportemental .............................................................................................. 37
ï‚· Relationnel ....................................................................................................... 38
2. La génération de données ........................................................................................................ 38
2.1. Problème d’absence de données ..................................................................................... 38
2.2. Génération des données en s’inspirant de la grille hybride ............................................ 39
2.3. Les variables utilisées ....................................................................................................... 41
2.4. Comment remplir nos variables ? .................................................................................... 42
2.5. La base de données .......................................................................................................... 43
3. Le travail à faire ........................................................................................................................ 45
3.1. L’étude .............................................................................................................................. 45
3.2. La prédiction avec les réseaux de neurones .................................................................... 45
3.3. Pourquoi donc faire cette prédiction ? ............................................................................ 46
Conclusion ................................................................................................................ 46
Introduction au quatrième chapitre ................................................................................................ 47
1. Le langage de programmation utilisé R .................................................................................... 47
1.1. Historique ......................................................................................................................... 47
1.2. Description sommaire de R .............................................................................................. 48
1.3. Avantages et faiblesses du langage R ............................................................................... 48
ï‚· Avantages ......................................................................................................... 48
ï‚· Faiblesses ......................................................................................................... 49
1.4. Pourquoi avoir choisi R comme langage de programmation ? ........................................ 49
2. Environnement de développement ......................................................................................... 49
2.1. Moyen matériel ................................................................................................................ 49
2.2. Moyen logiciel « RStudio » ............................................................................................... 49
3. Implémentation du modèle et résultats .................................................................................. 50
3.1. La création des données .................................................................................................. 50
3.2. Implémentation du modèle avec le package « neuralnet »............................................. 50
3.2.1. Présentation du package .................................................................................. 50
3.2.2. Division de la base de données en train et test ............................................... 50
3.2.3. La fonction d’entrainement « neuralnet » ....................................................... 50
3.2.4. La fonction de test « compute » ...................................................................... 51
3.3. Discussion des résultats obtenus avec le package « neuralnet » .................................... 51
3.3.1. Résultats de l’entrainement avec une seule couche cachée ........................... 51
3.3.2. Résultats de l’entrainement avec plusieurs couches cachée ........................... 53
3.3.3. Résultats de l’entrainement avec plusieurs couches et un algorithme différent55
3.3.4. Comparaison entre les trois modèle ................................................................ 57
3.4. Implémentation du modèle avec le package « nnet » ..................................................... 58
3.4.1. Présentation du package .................................................................................. 58
3.4.2. Division des données en train et test ............................................................... 58
3.4.3. La fonction d’entrainement « nnet » ............................................................... 58
3.4.4. La fonction de prédiction « predict » ............................................................... 59
3.5. Discussion des résultats obtenus avec le package « nnet » ............................................. 59
3.5.1. Résultats de l’entrainement avec un neurone dans la couche cachée ............ 59
3.5.2. Résultats de l’entrainement avec 5 neurones dans la couche cachée ............ 61
3.5.3. Résultats de l’entrainement avec 10 neurones dans la couche cachée .......... 62
3.5.4. Résumé des résultats obtenus ......................................................................... 63
4. Résultat qui n’a pas abouti ....................................................................................................... 63
Conclusion ............................................................................................................... 64
Conclusion générale ......................................................................................................................... 65
Références ............................................................................................................. 66Côte titre : MAI/0231 En ligne : https://drive.google.com/file/d/13GrFbqf9kQujgX7ql_Svx-UaccIjDrFr/view?usp=shari [...] Format de la ressource électronique : Traçage des performances d’un apprenant en utilisant les réseaux de neurones [texte imprimé] / Cherif,FAbderrahim Yahia, Auteur ; Khentout , Chabane, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (66 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux de neurones Index. décimale : 004 - Informatique Résumé : Résumé
Notre travail s’intitule « Traçage des performances d’un apprenant en utilisant les réseaux
de neurones », ce mémoire va montrer comment faire une étude complète sur
l’apprentissage collaboratif, de la collecte des données lors des séances de collaboration,
chacune concernant un module, à l’étude des profils jusqu’à la réalisation d’un
apprentissage automatique sur les apprenants avec les réseaux de neurones et enfin, faire
des prédictions sur les profils des ces apprenants pour les orienter dans leurs choix. Le
mémoire se compose de quatre chapitres. Le premier définira l’apprentissage collaboratif
et le modèle de l’apprenant, le deuxième présentera les réseaux de neurones, le troisième
expliquera les données et le modèle utilisé, quant au quatrième, il décrira l’implémentation
et les résultats obtenus.Note de contenu : Sommaire
Table des matières
Introduction générale ........................................................................................................................ 1
Introduction au premier chapitre ...................................................................................................... 3
1. La collaboration .......................................................................................................................... 3
1.1. Définition ............................................................................................................................ 3
1.2. La différence avec la coopération ...................................................................................... 3
1.3. Les outils de collaboration ................................................................................................. 4
1.4. Le travail collaboratif .......................................................................................................... 4
2. L’apprentissage collaboratif ....................................................................................................... 4
2.1. Les fondements de l’apprentissage collaboratif ................................................................ 4
2.2. Qu’est-ce que l’apprentissage collaboratif ? ..................................................................... 6
2.3. Les principales caractéristiques de l’apprentissage collaboratif ........................................ 7
2.4. L’appellation computer supported collaborative learning (CSCL) ..................................... 8
2.5. Les avantages de l’apprentissage collaboratif ................................................................... 8
ï‚· Selon Walckiers et De Praetere .......................................................................... 8
 D’un point de vue pédagogique ......................................................................... 9
 D’un point de vue social ..................................................................................... 9
 D’un point de vue psychologique ..................................................................... 10
3. Le modèle de l’apprenant ........................................................................................................ 10
3.1. Pourquoi on utilise le modèle de l’apprenant ? ............................................................... 11
3.2. Les problèmes du modèle de l’apprenant ....................................................................... 11
3.3. Différents types de modélisation de l’apprenant ............................................................ 11
3.3.1. Le modèle de recouvrement (ovcrlay model) (VallLehll, 1988) ....................... 11
3.3.2. Le modèle par perturbations (buggy model) ................................................... 12
3.4. Elaboration du modèle de l'apprenant ............................................................................ 14
3.5. L’acquisition des connaissances ....................................................................................... 14
3.6. Les problèmes d'acquisition ............................................................................................. 15
Conclusion ......................................................................................................... 15
Introduction au deuxième chapitre ................................................................................................. 16
1. L’apparition des réseaux de neurones ..................................................................................... 16
2. La physiologie des neurones .................................................................................................... 17
3. Historique de la formalisation des réseaux de neurones ........................................................ 17
4. Les réseaux de neurones artificiels .......................................................................................... 18
4.1. Structure d’un neurone artificiel ...................................................................................... 19
4.2. Comportement d’un neurone artificiel ............................................................................ 20
4.3. Comparaison avec le neurone biologique ........................................................................ 20
5. Les fonctions d’activation......................................................................................................... 20
6. Les variantes des réseaux de neurones ................................................................................... 21
7. Topologie des réseaux de neurones ........................................................................................ 21
7.1. Réseau multicouche ( Feedforward ) ............................................................................... 22
 L’architecture des réseaux multi-couches ....................................................... 22
7.2. Réseau à connexions locales ............................................................................................ 23
7.3. Réseaux récurrents ou bouclés ( feedback network ) ...................................................... 23
ï‚· Long short-term memory (LSTM) ......................................................................................... 24
7.4. Réseau à connexions complètes ...................................................................................... 25
8. Apprentissage des réseaux de neurones ................................................................................. 25
8.1. Apprentissage non-supervisé ........................................................................................... 25
8.2. Apprentissage par renforcement ..................................................................................... 25
8.3. Apprentissage supervisé (Back Propagation) ................................................................... 26
9. Le Perceptron ........................................................................................................................... 26
9.1. Algorithme du Perceptron................................................................................................ 27
9.2. Limite du Perceptron et passage aux réseaux multicouches ........................................... 27
10. L’ajustement des poids ........................................................................................................ 27
10.1. La loi de Hebb ............................................................................................................... 27
10.2. La loi de Widrow-Hoff (delta rule)................................................................................ 28
11. Domaines d’application des réseaux de neurones artificiels et exemples .......................... 28
11.1. Système de mise en correspondance (domaine médical) ........................................... 29
11.2. Prédiction météorologique .......................................................................................... 29
11.3. Traitement d’images (exemple de l’évaluation de la qualité des plantes) .................. 30
11.4. La reconnaissance ........................................................................................................ 30
11.5. Les prévisions ............................................................................................................... 30
11.6. Approximation de fonctions ......................................................................................... 30
11.7. La robotique ................................................................................................................. 31
11.8. Optimisation de trajectoires ........................................................................................ 31
12. Avantages et inconvénients des réseaux de neurones ........................................................ 31
12.1. Les avantages ............................................................................................................... 31
12.2. Les inconvénients ......................................................................................................... 31
Conclusion .....................................................................................................................
Introduction au troisième chapitre .................................................................................................. 32
1. L’analyse du comportement d’un apprenant lors d’une session de collaboration pour la
collection de données ...................................................................................................................... 32
1.1. L’utilité d’un apprentissage collaboratif selon la nature des personnes ......................... 32
1.2. Le système d'analyse du processus d'interaction de Bales ............................................. 33
1.3. Le système d’analyse de Pléty .......................................................................................... 35
1.4. Combinaison des deux grilles « la grille hybride » ........................................................... 36
ï‚· Comportemental .............................................................................................. 37
ï‚· Relationnel ....................................................................................................... 38
2. La génération de données ........................................................................................................ 38
2.1. Problème d’absence de données ..................................................................................... 38
2.2. Génération des données en s’inspirant de la grille hybride ............................................ 39
2.3. Les variables utilisées ....................................................................................................... 41
2.4. Comment remplir nos variables ? .................................................................................... 42
2.5. La base de données .......................................................................................................... 43
3. Le travail à faire ........................................................................................................................ 45
3.1. L’étude .............................................................................................................................. 45
3.2. La prédiction avec les réseaux de neurones .................................................................... 45
3.3. Pourquoi donc faire cette prédiction ? ............................................................................ 46
Conclusion ................................................................................................................ 46
Introduction au quatrième chapitre ................................................................................................ 47
1. Le langage de programmation utilisé R .................................................................................... 47
1.1. Historique ......................................................................................................................... 47
1.2. Description sommaire de R .............................................................................................. 48
1.3. Avantages et faiblesses du langage R ............................................................................... 48
ï‚· Avantages ......................................................................................................... 48
ï‚· Faiblesses ......................................................................................................... 49
1.4. Pourquoi avoir choisi R comme langage de programmation ? ........................................ 49
2. Environnement de développement ......................................................................................... 49
2.1. Moyen matériel ................................................................................................................ 49
2.2. Moyen logiciel « RStudio » ............................................................................................... 49
3. Implémentation du modèle et résultats .................................................................................. 50
3.1. La création des données .................................................................................................. 50
3.2. Implémentation du modèle avec le package « neuralnet »............................................. 50
3.2.1. Présentation du package .................................................................................. 50
3.2.2. Division de la base de données en train et test ............................................... 50
3.2.3. La fonction d’entrainement « neuralnet » ....................................................... 50
3.2.4. La fonction de test « compute » ...................................................................... 51
3.3. Discussion des résultats obtenus avec le package « neuralnet » .................................... 51
3.3.1. Résultats de l’entrainement avec une seule couche cachée ........................... 51
3.3.2. Résultats de l’entrainement avec plusieurs couches cachée ........................... 53
3.3.3. Résultats de l’entrainement avec plusieurs couches et un algorithme différent55
3.3.4. Comparaison entre les trois modèle ................................................................ 57
3.4. Implémentation du modèle avec le package « nnet » ..................................................... 58
3.4.1. Présentation du package .................................................................................. 58
3.4.2. Division des données en train et test ............................................................... 58
3.4.3. La fonction d’entrainement « nnet » ............................................................... 58
3.4.4. La fonction de prédiction « predict » ............................................................... 59
3.5. Discussion des résultats obtenus avec le package « nnet » ............................................. 59
3.5.1. Résultats de l’entrainement avec un neurone dans la couche cachée ............ 59
3.5.2. Résultats de l’entrainement avec 5 neurones dans la couche cachée ............ 61
3.5.3. Résultats de l’entrainement avec 10 neurones dans la couche cachée .......... 62
3.5.4. Résumé des résultats obtenus ......................................................................... 63
4. Résultat qui n’a pas abouti ....................................................................................................... 63
Conclusion ............................................................................................................... 64
Conclusion générale ......................................................................................................................... 65
Références ............................................................................................................. 66Côte titre : MAI/0231 En ligne : https://drive.google.com/file/d/13GrFbqf9kQujgX7ql_Svx-UaccIjDrFr/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0231 MAI/0231 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Traitement automatique d’images de visages algorithmes et architecture Type de document : texte imprimé Auteurs : Ayeche,Farid, Auteur ; Alti,Adel, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (152 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Reconnaissance des expressions faciales
Vecteur de caractéristiquesRésumé :
Le potentiel de reconnaissance faciale et d’expressions faciales a suscité un intérêt accru pour les interactions sociales et l'identification biométrique. La plupart des méthodes d'identification existantes souffrent d'un consensus entre le taux de précision et le temps de calcul. L’objectif de notre travail est de construire un nouveau système de reconnaissance des visages et de leurs expressions rapide et robuste aux diverses conditions d'éclairage. Pour cela, nous avons proposé un système automatique qui permet de fournir aux utilisateurs un classificateur approprié pour identifier de manière plus précise les visages et les expressions faciales. Le système est basé sur deux étapes fondamentales de l’apprentissage automatique, à savoir l’extraction des caractéristiques et la classification des caractéristiques. Le modèle des contours actifs (Active Shape Model, ASM) se compose des points de repère est utilisé pour sélectionner des traits de visage tandis que l'algorithme de classification des visages et des expressions faciales se base sur le classificateur le plus performant parmi sept classificateurs standard. Les résultats d’expérimentations montrent que le classificateur d’analyse quadratique discriminant (Quadratic Discriminant Analysis, QDA) offre d'excellentes performances et surpasse les autres classificateurs avec un taux de reconnaissance de 94,25% sur le même jeu de données. Ensuite, nous avons proposé de combiner les descripteurs de texture LBP et LGC sous forme un nouveau descripteur appelé LGN (Local Gradient Neighborhood) pour une reconnaissance efficace des visages et des expressions faciales. Tout d'abord, l'image du visage est divisée en plusieurs blocs. Pour chaque bloc, le vecteur des caractéristiques de l'image est extrait via LGN. Puis, les classificateurs SVM et K-NN sont utilisés pour classifier les visages de différentes personnes dans des benchmarks standards JAFFE et ORL. Un taux de reconnaissance égale à 98,50% et un temps d’exécution réduit à l’aide d’un vecteur de taille réduit sont atteints. Enfin, pour avoir une reconnaissance efficace des visages et des expressions faciales avec un vecteur de caractéristiques réduit, nous avons proposé deux nouveaux descripteurs appelés histogramme du gradient directionnel (Histogram of Directional Gradient,HDG) et histogramme du gradient directionnel généralisé (Histogram of Directional Gradient Generalized, HDGG) pour extraire les caractéristiques discriminantes des expressions faciales en termes des taux de reconnaissance d’une bonne classification par rapport aux classificateurs existants. Les descripteurs proposés sont basés sur les gradients locaux directionnels combinés avec le classificateur SVM. Les résultats d’expérimentations montrent que le descripteur HDG donne un taux de précision égale à 92,12% dans tous les ensembles de données testées par rapport aux travaux existants. Il démontre également un temps d'exécution rapide pour la reconnaissance faciale allant de 0.4 s à 0.7 s dans toutes les bases de données évaluées.Côte titre : DI/0058 En ligne : http://dspace.univ-setif.dz:8888/jspui/bitstream/123456789/3795/1/These_Farid_ay [...] Format de la ressource électronique : Traitement automatique d’images de visages algorithmes et architecture [texte imprimé] / Ayeche,Farid, Auteur ; Alti,Adel, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (152 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Reconnaissance des expressions faciales
Vecteur de caractéristiquesRésumé :
Le potentiel de reconnaissance faciale et d’expressions faciales a suscité un intérêt accru pour les interactions sociales et l'identification biométrique. La plupart des méthodes d'identification existantes souffrent d'un consensus entre le taux de précision et le temps de calcul. L’objectif de notre travail est de construire un nouveau système de reconnaissance des visages et de leurs expressions rapide et robuste aux diverses conditions d'éclairage. Pour cela, nous avons proposé un système automatique qui permet de fournir aux utilisateurs un classificateur approprié pour identifier de manière plus précise les visages et les expressions faciales. Le système est basé sur deux étapes fondamentales de l’apprentissage automatique, à savoir l’extraction des caractéristiques et la classification des caractéristiques. Le modèle des contours actifs (Active Shape Model, ASM) se compose des points de repère est utilisé pour sélectionner des traits de visage tandis que l'algorithme de classification des visages et des expressions faciales se base sur le classificateur le plus performant parmi sept classificateurs standard. Les résultats d’expérimentations montrent que le classificateur d’analyse quadratique discriminant (Quadratic Discriminant Analysis, QDA) offre d'excellentes performances et surpasse les autres classificateurs avec un taux de reconnaissance de 94,25% sur le même jeu de données. Ensuite, nous avons proposé de combiner les descripteurs de texture LBP et LGC sous forme un nouveau descripteur appelé LGN (Local Gradient Neighborhood) pour une reconnaissance efficace des visages et des expressions faciales. Tout d'abord, l'image du visage est divisée en plusieurs blocs. Pour chaque bloc, le vecteur des caractéristiques de l'image est extrait via LGN. Puis, les classificateurs SVM et K-NN sont utilisés pour classifier les visages de différentes personnes dans des benchmarks standards JAFFE et ORL. Un taux de reconnaissance égale à 98,50% et un temps d’exécution réduit à l’aide d’un vecteur de taille réduit sont atteints. Enfin, pour avoir une reconnaissance efficace des visages et des expressions faciales avec un vecteur de caractéristiques réduit, nous avons proposé deux nouveaux descripteurs appelés histogramme du gradient directionnel (Histogram of Directional Gradient,HDG) et histogramme du gradient directionnel généralisé (Histogram of Directional Gradient Generalized, HDGG) pour extraire les caractéristiques discriminantes des expressions faciales en termes des taux de reconnaissance d’une bonne classification par rapport aux classificateurs existants. Les descripteurs proposés sont basés sur les gradients locaux directionnels combinés avec le classificateur SVM. Les résultats d’expérimentations montrent que le descripteur HDG donne un taux de précision égale à 92,12% dans tous les ensembles de données testées par rapport aux travaux existants. Il démontre également un temps d'exécution rapide pour la reconnaissance faciale allant de 0.4 s à 0.7 s dans toutes les bases de données évaluées.Côte titre : DI/0058 En ligne : http://dspace.univ-setif.dz:8888/jspui/bitstream/123456789/3795/1/These_Farid_ay [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0058 DI/0058 Thèse Bibliothéque des sciences Français Disponible
Disponible
Titre : Traitement des Images par Filtrage Type de document : texte imprimé Auteurs : Khelifi ,Lidia, Auteur ; Berrimi,F, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (78 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Traitement d’image
Bruit
Filtrage
Médian
Qualité d’imageIndex. décimale : 004 - Informatique Résumé : Le traitement d’images est un domaine très large et une étape cruciale dans la
visualisation, l'analyse, l'interprétation, le stockage et la transmission d'images.
On est intéressé dans ce travail sur le traitement des images par filtrage, où des
images sont corrompues par différents types de bruit. Pour cela, des méthodes et
des techniques doivent être employées pour supprimer ces bruits. La méthode
qu’on a choisit est le filtre médian, il est l'un des filtres prédominants utilisés
pour supprimer le bruit. Sa simplicité et sa capacité à maintenir les bords ont
conduit à une application étendue dans le domaine du traitement d'image et de la
vision par ordinateur.Côte titre : MAI/0351 En ligne : https://drive.google.com/file/d/1D8qNbtx1gavyWigT-D13xo_X70hnYVSN/view?usp=shari [...] Format de la ressource électronique : Traitement des Images par Filtrage [texte imprimé] / Khelifi ,Lidia, Auteur ; Berrimi,F, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (78 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Traitement d’image
Bruit
Filtrage
Médian
Qualité d’imageIndex. décimale : 004 - Informatique Résumé : Le traitement d’images est un domaine très large et une étape cruciale dans la
visualisation, l'analyse, l'interprétation, le stockage et la transmission d'images.
On est intéressé dans ce travail sur le traitement des images par filtrage, où des
images sont corrompues par différents types de bruit. Pour cela, des méthodes et
des techniques doivent être employées pour supprimer ces bruits. La méthode
qu’on a choisit est le filtre médian, il est l'un des filtres prédominants utilisés
pour supprimer le bruit. Sa simplicité et sa capacité à maintenir les bords ont
conduit à une application étendue dans le domaine du traitement d'image et de la
vision par ordinateur.Côte titre : MAI/0351 En ligne : https://drive.google.com/file/d/1D8qNbtx1gavyWigT-D13xo_X70hnYVSN/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0351 MAI/0351 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Transcription des spécifications M-UML vers le système Maude Type de document : texte imprimé Auteurs : Mourad kezai, Auteur ; Khababa,Abdellah, Directeur de thèse Année de publication : 2023 Importance : 1 vol (157 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : système Maude
LTL (Linear Time Logic)Index. décimale : 004 Informatique Résumé :
Les systèmes multi-agents forment un type intéressant de modélisation de sociétés, car ils ont des domaines d'application très larges. Par conséquent, le domaine de la technologie des "agents mobiles" représente un concept nouveau et important en intelligence artificielle et de l'ingénieries de logiciels. Malgré l'intérêt porté à cette technologie, la plupart des approches à l'heure ne permettent pas une conception suffisante et complète des agents mobiles.
D'autre part, Maude est un environnement de spécification, de programmation orientée objet et de preuve basé sur une logique de réécriture qui est un cadre sémantique unificateur de plusieurs modèles de concurrence. En plus, le système Maude dispose également d'une batterie d'outils permettent la simulation, l’analyse d'accessibilité par le LTL (Linear Time Logic) Model-checker permettant la vérification et le prototypage des propriétés de spécification.
Enfin, la méthode graphique UML généralement et ses extensions permettent de représenter de manière synthétique et intuitive les systèmes multi-gent. Cependant, elles ne sont pas dotées permettant de faire la vérification. Dans cette thèse, nous adoptons une approche de la spécification formelle des diagrammes M-UML dans le système Maude. Nous avons appliqué notre approche en trois étapes proposées au diagramme d'états-transitions, l'un des diagrammes les plus importants de M-UML. La technique consiste à dériver systématiquement une description formelle de Maude à partir de ce type d'analyse de diagramme, et nous avons obtenu des résultats très satisfaisants. Cette transcription proposée permet d'obtenir une spécification algébrique exprimée en logique de réécriture. Ce dernier sera utilisé pour vérifier les spécifications des systèmes à base d'agents mobiles.Côte titre : DI/0075 En ligne : http://dspace.univ-setif.dz:8888/jspui/bitstream/123456789/4095/1/Mourad%20Kezai [...] Format de la ressource électronique : Transcription des spécifications M-UML vers le système Maude [texte imprimé] / Mourad kezai, Auteur ; Khababa,Abdellah, Directeur de thèse . - 2023 . - 1 vol (157 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : système Maude
LTL (Linear Time Logic)Index. décimale : 004 Informatique Résumé :
Les systèmes multi-agents forment un type intéressant de modélisation de sociétés, car ils ont des domaines d'application très larges. Par conséquent, le domaine de la technologie des "agents mobiles" représente un concept nouveau et important en intelligence artificielle et de l'ingénieries de logiciels. Malgré l'intérêt porté à cette technologie, la plupart des approches à l'heure ne permettent pas une conception suffisante et complète des agents mobiles.
D'autre part, Maude est un environnement de spécification, de programmation orientée objet et de preuve basé sur une logique de réécriture qui est un cadre sémantique unificateur de plusieurs modèles de concurrence. En plus, le système Maude dispose également d'une batterie d'outils permettent la simulation, l’analyse d'accessibilité par le LTL (Linear Time Logic) Model-checker permettant la vérification et le prototypage des propriétés de spécification.
Enfin, la méthode graphique UML généralement et ses extensions permettent de représenter de manière synthétique et intuitive les systèmes multi-gent. Cependant, elles ne sont pas dotées permettant de faire la vérification. Dans cette thèse, nous adoptons une approche de la spécification formelle des diagrammes M-UML dans le système Maude. Nous avons appliqué notre approche en trois étapes proposées au diagramme d'états-transitions, l'un des diagrammes les plus importants de M-UML. La technique consiste à dériver systématiquement une description formelle de Maude à partir de ce type d'analyse de diagramme, et nous avons obtenu des résultats très satisfaisants. Cette transcription proposée permet d'obtenir une spécification algébrique exprimée en logique de réécriture. Ce dernier sera utilisé pour vérifier les spécifications des systèmes à base d'agents mobiles.Côte titre : DI/0075 En ligne : http://dspace.univ-setif.dz:8888/jspui/bitstream/123456789/4095/1/Mourad%20Kezai [...] Format de la ressource électronique : Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire
Titre : Transcription des spécifications M-UML vers le système Maude Type de document : document électronique Auteurs : Mourad kezai, Auteur ; Khababa,Abdellah, Directeur de thèse Année de publication : 2023 Importance : 1 vol (157 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : système Maude
LTL (Linear Time Logic)Index. décimale : 004 Informatique Résumé : Les systèmes multi-agents forment un type intéressant de modélisation de sociétés, car ils ont des domaines d'application très larges. Par conséquent, le domaine de la technologie des "agents mobiles" représente un concept nouveau et important en intelligence artificielle et de l'ingénieries de logiciels. Malgré l'intérêt porté à cette technologie, la plupart des approches à l'heure ne permettent pas une conception suffisante et complète des agents mobiles.
D'autre part, Maude est un environnement de spécification, de programmation orientée objet et de preuve basé sur une logique de réécriture qui est un cadre sémantique unificateur de plusieurs modèles de concurrence. En plus, le système Maude dispose également d'une batterie d'outils permettent la simulation, l’analyse d'accessibilité par le LTL (Linear Time Logic) Model-checker permettant la vérification et le prototypage des propriétés de spécification.
Enfin, la méthode graphique UML généralement et ses extensions permettent de représenter de manière synthétique et intuitive les systèmes multi-gent. Cependant, elles ne sont pas dotées permettant de faire la vérification. Dans cette thèse, nous adoptons une approche de la spécification formelle des diagrammes M-UML dans le système Maude. Nous avons appliqué notre approche en trois étapes proposées au diagramme d'états-transitions, l'un des diagrammes les plus importants de M-UML. La technique consiste à dériver systématiquement une description formelle de Maude à partir de ce type d'analyse de diagramme, et nous avons obtenu des résultats très satisfaisants. Cette transcription proposée permet d'obtenir une spécification algébrique exprimée en logique de réécriture. Ce dernier sera utilisé pour vérifier les spécifications des systèmes à base d'agents mobiles.Côte titre : DI/0075 En ligne : http://dspace.univ-setif.dz:8888/jspui/bitstream/123456789/4095/1/Mourad%20Kezai [...] Format de la ressource électronique : Transcription des spécifications M-UML vers le système Maude [document électronique] / Mourad kezai, Auteur ; Khababa,Abdellah, Directeur de thèse . - 2023 . - 1 vol (157 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : système Maude
LTL (Linear Time Logic)Index. décimale : 004 Informatique Résumé : Les systèmes multi-agents forment un type intéressant de modélisation de sociétés, car ils ont des domaines d'application très larges. Par conséquent, le domaine de la technologie des "agents mobiles" représente un concept nouveau et important en intelligence artificielle et de l'ingénieries de logiciels. Malgré l'intérêt porté à cette technologie, la plupart des approches à l'heure ne permettent pas une conception suffisante et complète des agents mobiles.
D'autre part, Maude est un environnement de spécification, de programmation orientée objet et de preuve basé sur une logique de réécriture qui est un cadre sémantique unificateur de plusieurs modèles de concurrence. En plus, le système Maude dispose également d'une batterie d'outils permettent la simulation, l’analyse d'accessibilité par le LTL (Linear Time Logic) Model-checker permettant la vérification et le prototypage des propriétés de spécification.
Enfin, la méthode graphique UML généralement et ses extensions permettent de représenter de manière synthétique et intuitive les systèmes multi-gent. Cependant, elles ne sont pas dotées permettant de faire la vérification. Dans cette thèse, nous adoptons une approche de la spécification formelle des diagrammes M-UML dans le système Maude. Nous avons appliqué notre approche en trois étapes proposées au diagramme d'états-transitions, l'un des diagrammes les plus importants de M-UML. La technique consiste à dériver systématiquement une description formelle de Maude à partir de ce type d'analyse de diagramme, et nous avons obtenu des résultats très satisfaisants. Cette transcription proposée permet d'obtenir une spécification algébrique exprimée en logique de réécriture. Ce dernier sera utilisé pour vérifier les spécifications des systèmes à base d'agents mobiles.Côte titre : DI/0075 En ligne : http://dspace.univ-setif.dz:8888/jspui/bitstream/123456789/4095/1/Mourad%20Kezai [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0075 DI/0075 Thèse Bibliothéque des sciences Français Disponible
DisponibleTransformer-based Deep Learning Techniques for Speech Emotion Recognition and Sentiment Analysis / madjda Daikha
PermalinkTravel and Arrival Time Prediction Based On Historical GPS Data Utilizing Machine Learning / Abdeldjouad Aymen Azzouz
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkUtilisation de l'algorithme Bat pour la découverte de règles d'association / BENDJEDIA, souad
Permalink