L'agrégation sémantique OLAP / Mustapha Bouakkaz

Public ISBD Titre : L'agrégation sémantique OLAP Type de document : texte manuscrit Auteurs : Mustapha Bouakkaz, Auteur ; Youcef Ouinten, Directeur de thèse ; Sabine Loudcher, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département d'informatique Année de publication : 2017 Importance : 127 p Format : 27 cm Accompagnement : 1 disque optique numérique (CD-ROM) Langues : Français Catégories : THESES :10 informatique Mots-clés : Agrégation  Analyse en ligne  Données complexes  Fouille de données  Recherche d'information  OLAP social Résumé : L'analyse en ligne OLAP propose des outils et des approches pour analyser les données stockées dans les entrepôts de données. Les opérateurs OLAP sont efficaces lors de l'exploration des données simples, cependant ils deviennent limités et inadéquats quand il s'agit de données complexes. Dans cette thèse nous nous focalisons sur les données textuelles et leur agrégation dans le contexte OLAP. Il devient nécessaire de faire évoluer l'OLAP pour qu'il s'adapte à la particularité des données textuelles. Cette évolution ne sera concrétisée que par (1) la proposition de nouvelles approches OLAP adaptées aux données complexes ; (2) la prise en considération de l'aspect sémantique des données en gardant l'esprit de l'OLAP. L'une des solutions est la combinaison entre l'OLAP, la fouille de données, la recherche d'information et la théorie des graphes. Cette solution sert à enrichir le processus d'analyse en ligne par d'autres approches issues de domaines différents. Dans ces travaux de thèse, nous nous sommes focalisés sur les approches d'agrégation des données textuelles. Nous avons proposé deux approches pour ce problème. La première se base sur une technique issue de la fouille de données. La deuxième proposition se base sur les fondements de la théorie des graphes. Nous avons appliqué nos propositions sur un domaine d'application, les réseaux sociaux, afin de résoudre le problème de la prédiction des liens sémantiques. Pour valider nos différentes contributions, nous avons réalisé une plateforme logicielle pour mesurer la performance de nos approches par rapport à celles proposées dans la littérature. note de thèses : Thèse de doctorat en informatique L'agrégation sémantique OLAP [texte manuscrit] / Mustapha Bouakkaz, Auteur ; Youcef Ouinten, Directeur de thèse ; Sabine Loudcher, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2017 . - 127 p ; 27 cm + 1 disque optique numérique (CD-ROM). Langues : Français Catégories : THESES :10 informatique Mots-clés : Agrégation  Analyse en ligne  Données complexes  Fouille de données  Recherche d'information  OLAP social Résumé : L'analyse en ligne OLAP propose des outils et des approches pour analyser les données stockées dans les entrepôts de données. Les opérateurs OLAP sont efficaces lors de l'exploration des données simples, cependant ils deviennent limités et inadéquats quand il s'agit de données complexes. Dans cette thèse nous nous focalisons sur les données textuelles et leur agrégation dans le contexte OLAP. Il devient nécessaire de faire évoluer l'OLAP pour qu'il s'adapte à la particularité des données textuelles. Cette évolution ne sera concrétisée que par (1) la proposition de nouvelles approches OLAP adaptées aux données complexes ; (2) la prise en considération de l'aspect sémantique des données en gardant l'esprit de l'OLAP. L'une des solutions est la combinaison entre l'OLAP, la fouille de données, la recherche d'information et la théorie des graphes. Cette solution sert à enrichir le processus d'analyse en ligne par d'autres approches issues de domaines différents. Dans ces travaux de thèse, nous nous sommes focalisés sur les approches d'agrégation des données textuelles. Nous avons proposé deux approches pour ce problème. La première se base sur une technique issue de la fouille de données. La deuxième proposition se base sur les fondements de la théorie des graphes. Nous avons appliqué nos propositions sur un domaine d'application, les réseaux sociaux, afin de résoudre le problème de la prédiction des liens sémantiques. Pour valider nos différentes contributions, nous avons réalisé une plateforme logicielle pour mesurer la performance de nos approches par rapport à celles proposées dans la littérature. note de thèses : Thèse de doctorat en informatique

Réservation

Réserver ce document

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
Thd 10-34	Thd 10-34	Thése	BIBLIOTHEQUE DE FACULTE DES SCIENCES	théses (sci)	Disponible
thed 10-01	thed 10-01	Thése	SALLE DES THESES bibliothèque centrale	théses en informatique	Disponible

Application d'une approche Data mining pour l'analyse des données climatiques / Messaouda Achour

Public ISBD Titre : Application d'une approche Data mining pour l'analyse des données climatiques Type de document : texte manuscrit Auteurs : Messaouda Achour, Auteur ; Mustapha Bouakkaz, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département d'informatique Année de publication : 2019 Importance : 60 p. Format : 30 cm. Accompagnement : 1 disque optique numérique (CD-ROM) Note générale : Option : Systèmes d'information et de décision Langues : Français Mots-clés : Fouille des données  Données climatiques  Classification Résumé : L’extraction de connaissances `a partir de données (ECD) est définie comme un processus de découverte d’informations implicites, inconnues auparavant et potentiellement utiles `a partir des données. Ce processus se fait en plusieurs étapes :la préparation des données (recherche, nettoyage et codage des données), fouille des données (recherche d’un modèle de connaissances), la validation et l’interprétation du résultat et enfin l’intégration des connaissances apprises. On peut appliquer ce processus dans plusieurs domaines, tels que la biologie, la médecine, l’agriculture et autres. Les changements climatiques ont une grande influence sur la production agricole. Cette dernière est fortement liée `a la sécurité alimentaire qui joue un rôle primordial dans la souveraineté et la stabilité socio-économique des payés. Dans ce cadre intervient notre projet de fin d’étude Application d’une approche data mining pour l’analyse des données climatiques, dont l’objectif est d’analyser les données climatiques issues de différentes régions. On a choisi dix wilayas en Algérie qui sont : Alger, Constantine, Tiaret, Ghardaia, Blida, Ghilizane, EL Oued, Tbessa, Beskra, et Laghouat, afin d’extraire les relations entre eux, en utilisant une des techniques de la fouille de données basée sur la classification. note de thèses : Mémoire de master en informatique Application d'une approche Data mining pour l'analyse des données climatiques [texte manuscrit] / Messaouda Achour, Auteur ; Mustapha Bouakkaz, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2019 . - 60 p. ; 30 cm. + 1 disque optique numérique (CD-ROM). Option : Systèmes d'information et de décision Langues : Français Mots-clés : Fouille des données  Données climatiques  Classification Résumé : L’extraction de connaissances `a partir de données (ECD) est définie comme un processus de découverte d’informations implicites, inconnues auparavant et potentiellement utiles `a partir des données. Ce processus se fait en plusieurs étapes :la préparation des données (recherche, nettoyage et codage des données), fouille des données (recherche d’un modèle de connaissances), la validation et l’interprétation du résultat et enfin l’intégration des connaissances apprises. On peut appliquer ce processus dans plusieurs domaines, tels que la biologie, la médecine, l’agriculture et autres. Les changements climatiques ont une grande influence sur la production agricole. Cette dernière est fortement liée `a la sécurité alimentaire qui joue un rôle primordial dans la souveraineté et la stabilité socio-économique des payés. Dans ce cadre intervient notre projet de fin d’étude Application d’une approche data mining pour l’analyse des données climatiques, dont l’objectif est d’analyser les données climatiques issues de différentes régions. On a choisi dix wilayas en Algérie qui sont : Alger, Constantine, Tiaret, Ghardaia, Blida, Ghilizane, EL Oued, Tbessa, Beskra, et Laghouat, afin d’extraire les relations entre eux, en utilisant une des techniques de la fouille de données basée sur la classification. note de thèses : Mémoire de master en informatique

Réservation

Réserver ce document

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MF 02-31	MF 02-31	Thése	BIBLIOTHEQUE DE FACULTE DES SCIENCES	théses (sci)	Disponible

Application of deep learning approach for COVID-19 cases forecasting / Meriem Atig

Public ISBD Titre : Application of deep learning approach for COVID-19 cases forecasting Type de document : texte manuscrit Auteurs : Meriem Atig, Auteur ; Mustapha Bouakkaz, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département d'informatique Année de publication : 2022 Importance : 51 p. Format : 30 cm. Accompagnement : 1 disque optique numérique Note générale : Option : Information and decision system (Systèmes d'information et de décision) Langues : Anglais Mots-clés : Covid 19  Prediction  Deep Learning  Neural Network (NN)  Recurrent Neural Network (RNN)  Long - Short Term Memory ( LSTM )  Machine Learning  Artificial Intelligence Résumé : Abstract COVID - 19 , also Brown as the coronavirus , has paralyzed the whole world , infected more than 520 million people worldwide , and caused the death of more than 6 million people . Over the past few decades , the field of artificial intelligence and deep learning has shown tremendous development and multiple uses in many fields such as security , self - driving cars , robotics , and especially healthcare ... The enormous impact of this pandemic has prompted us to try to find and explore ways to use this technology to help limit its spread We proposed a method using long - short term memory ( LSTM ) a type of recurrent neural network ( RNN ) to predict the number of cases in the near future by using the information we have from previous cases since the beginning of the epidemic . note de thèses : Mémoire de master en informatique Application of deep learning approach for COVID-19 cases forecasting [texte manuscrit] / Meriem Atig, Auteur ; Mustapha Bouakkaz, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2022 . - 51 p. ; 30 cm. + 1 disque optique numérique. Option : Information and decision system (Systèmes d'information et de décision) Langues : Anglais Mots-clés : Covid 19  Prediction  Deep Learning  Neural Network (NN)  Recurrent Neural Network (RNN)  Long - Short Term Memory ( LSTM )  Machine Learning  Artificial Intelligence Résumé : Abstract COVID - 19 , also Brown as the coronavirus , has paralyzed the whole world , infected more than 520 million people worldwide , and caused the death of more than 6 million people . Over the past few decades , the field of artificial intelligence and deep learning has shown tremendous development and multiple uses in many fields such as security , self - driving cars , robotics , and especially healthcare ... The enormous impact of this pandemic has prompted us to try to find and explore ways to use this technology to help limit its spread We proposed a method using long - short term memory ( LSTM ) a type of recurrent neural network ( RNN ) to predict the number of cases in the near future by using the information we have from previous cases since the beginning of the epidemic . note de thèses : Mémoire de master en informatique

Réservation

Réserver ce document

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MF 02-46	MF 02-46	Thése	BIBLIOTHEQUE DE FACULTE DES SCIENCES	théses (sci)	Disponible

Automated medical labels detection and text extraction / Abdelbasset Benothmani

Public ISBD Titre : Automated medical labels detection and text extraction Type de document : document multimédia Auteurs : Abdelbasset Benothmani, Auteur ; Ikhlas Djoudi, Auteur ; Mustapha Bouakkaz, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département d'informatique Année de publication : 2025 Importance : 85 p. Accompagnement : 1 disque optique numérique (CD-ROM) Note générale : Option : Information and decision systems - Distributed networks, systems, and applications Langues : Anglais Mots-clés : Deep Learning  Handwriting Recognition  Medical prescriptions/Prescriptions  Artificial intelligence (AI)  Healthcare  Neural Networks  Vision Transformers  Hybrid Models (CNN- RNN) Résumé : Modern technology aims to automatically read and understand handwritten prescriptions using deep learning. This is critical given that handwritten notes are often illegible and difficult to read, which can lead to serious medical errors. Deep learning, a branch of artificial intelligence, is used to train computer models to accurately recognize and interpret these prescriptions. Using large amounts of data and powerful algorithms, deep learning models can learn to identify handwriting patterns and extract important information such as medication names and dosages. This technology contributes to improving the safety and efficiency of healthcare services, as it can significantly reduce documentation errors caused by illegible handwriting, ensuring that clinical decisions are based on accurate and timely information. In this note, we address the future role of deep learning in this field, noting that new neural network architectures such as vision transformers and hybrid CNN-RNN models promise to increase the accuracy and effectiveness of handwritten note recognition. It explains that AI-based handwriting recognition in electronic health records (EHRs) can speed up communication between teams and reduce administrative burdens, allowing clinicians to focus on direct patient care rather than burdensome paperwork, thereby reducing burnout and increasing job satisfaction. In conclusion, we conclude that the revolutionary potential of deep learning in medical handwriting recognition has the potential to revolutionize health outcomes by ensuring accurate, timely, and efficient recording. It suggests that adopting these innovations will be pivotal in developing a healthcare system where technology enables but does not replace human empathy and clinical expertise. note de thèses : Mémoire de master en informatique Automated medical labels detection and text extraction [document multimédia] / Abdelbasset Benothmani, Auteur ; Ikhlas Djoudi, Auteur ; Mustapha Bouakkaz, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2025 . - 85 p. + 1 disque optique numérique (CD-ROM). Option : Information and decision systems - Distributed networks, systems, and applications Langues : Anglais Mots-clés : Deep Learning  Handwriting Recognition  Medical prescriptions/Prescriptions  Artificial intelligence (AI)  Healthcare  Neural Networks  Vision Transformers  Hybrid Models (CNN- RNN) Résumé : Modern technology aims to automatically read and understand handwritten prescriptions using deep learning. This is critical given that handwritten notes are often illegible and difficult to read, which can lead to serious medical errors. Deep learning, a branch of artificial intelligence, is used to train computer models to accurately recognize and interpret these prescriptions. Using large amounts of data and powerful algorithms, deep learning models can learn to identify handwriting patterns and extract important information such as medication names and dosages. This technology contributes to improving the safety and efficiency of healthcare services, as it can significantly reduce documentation errors caused by illegible handwriting, ensuring that clinical decisions are based on accurate and timely information. In this note, we address the future role of deep learning in this field, noting that new neural network architectures such as vision transformers and hybrid CNN-RNN models promise to increase the accuracy and effectiveness of handwritten note recognition. It explains that AI-based handwriting recognition in electronic health records (EHRs) can speed up communication between teams and reduce administrative burdens, allowing clinicians to focus on direct patient care rather than burdensome paperwork, thereby reducing burnout and increasing job satisfaction. In conclusion, we conclude that the revolutionary potential of deep learning in medical handwriting recognition has the potential to revolutionize health outcomes by ensuring accurate, timely, and efficient recording. It suggests that adopting these innovations will be pivotal in developing a healthcare system where technology enables but does not replace human empathy and clinical expertise. note de thèses : Mémoire de master en informatique

Breast cancer diagnosis using artificial intelligence approaches / Sarah Saida Boudouh

Public ISBD Titre : Breast cancer diagnosis using artificial intelligence approaches Type de document : document multimédia Auteurs : Sarah Saida Boudouh, Auteur ; Mustapha Bouakkaz, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département d'informatique Année de publication : 2024 Importance : 125 p. Note générale : Option : Data sciences Langues : Anglais Mots-clés : Breast cancer  Machine learning  Deep learning  Transfer learning  Preprocessing  Mammography Résumé : Breast cancer among women has now taken the lead as the most prevalent type of cancer worldwide, surpassing lung cancer. While there are numerous methods available for detecting and diagnosing breast cancer, mammography stands out as the most efiective and widely employed technique. Regardless, it remains a significant challenge due to the diversity of breast tumor types and subtypes, as well as the complexity of their microenvironment. Thus, an area that requires further analysis is the development of a reliable and eficient breast cancer detection strategy with the aim of improving patient survival rates. Computer-Aided Diagnosis (CAD) systems for breast cancer are mainly based on machine and deep learning approaches. However, despite the variety of studies conducted that matter, still, several drawbacks exist due to multiple reasons. Hence, aiming to address these issues by providing solutions that can help specialists in the decision-making process, we first had to understand the existing gaps in the literature. Thus, we presented a new classification of over 100 papers and recently published studies along with a new view of used methods, steps, and strategies. Secondly, based on the founding limitations, we proposed our Tumor Mammography Pre-processing and Classification (TumMPC) approach. It includes several studies centered around a new mammography pre-processing strategy. These studies are verified through a succeeding classification stage to assess their eficacy, resulting in an accurate breast tumor classifiers with 99.83% accuracy. After proposing such a reliable step of determining the existence or absence of a breast tumor in mammogram images, the following was investigating the tumor types and subtypes. Accordingly, we suggested our Dual-View Mammography Pre-processing and Classification (DuoVMPC) approach. It resulted in accurate dual-view Convolutional Neural Network (CNN) classifier that simultaneously interprets the MedioLateral Oblique (MLO) and Cranial Caudal (CC) views of a mammogram. The proposed strategy included pre-processing stage and classification stage, in which the classes were Malignant Mass, Benign Mass, Malignant Calcification, and Benign Calcication, improving the existing accuracy into 95.86%. However, in the obtained outcomes, we noticed that each breast tumor sub-type was suited by a specific pre-processing strategy. Therefore, the investigation of each sub-type as a separate study provides a further reliable and accurate classifiers. Meanwhile, the breast Masses are highly accruing compared to the breast Calcifications. Thus, we proposed our Hybrid Mass Mammography Pre-processing and Classification (HybMMPC) approach. We introduced a pre-processing stage diverged into three sub-strategies, containing various filters for further extracting the Masses Region Of Interest (ROI), removing noise, and enhancing the image. Following a classification stage based on transfer learning was implemented to facilitate the feature extraction process. NevertheviAbstract less, instead of employing the traditional fine-tuning phase, we introduced a hybrid model that involves concatenating two recent feature extractor CNNs with various modifications. We managed to increase accuracy as well, reaching the highest accuracy of 98.13%. The experimental outcomes demonstrate that the proposed approaches outperform the currently top-ranked techniques used for breast cancer detection in terms of classification accuracy, thereby contributing to the development of more reliable CAD systems. note de thèses : Thése de doctorat en informatique Breast cancer diagnosis using artificial intelligence approaches [document multimédia] / Sarah Saida Boudouh, Auteur ; Mustapha Bouakkaz, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2024 . - 125 p. Option : Data sciences Langues : Anglais Mots-clés : Breast cancer  Machine learning  Deep learning  Transfer learning  Preprocessing  Mammography Résumé : Breast cancer among women has now taken the lead as the most prevalent type of cancer worldwide, surpassing lung cancer. While there are numerous methods available for detecting and diagnosing breast cancer, mammography stands out as the most efiective and widely employed technique. Regardless, it remains a significant challenge due to the diversity of breast tumor types and subtypes, as well as the complexity of their microenvironment. Thus, an area that requires further analysis is the development of a reliable and eficient breast cancer detection strategy with the aim of improving patient survival rates. Computer-Aided Diagnosis (CAD) systems for breast cancer are mainly based on machine and deep learning approaches. However, despite the variety of studies conducted that matter, still, several drawbacks exist due to multiple reasons. Hence, aiming to address these issues by providing solutions that can help specialists in the decision-making process, we first had to understand the existing gaps in the literature. Thus, we presented a new classification of over 100 papers and recently published studies along with a new view of used methods, steps, and strategies. Secondly, based on the founding limitations, we proposed our Tumor Mammography Pre-processing and Classification (TumMPC) approach. It includes several studies centered around a new mammography pre-processing strategy. These studies are verified through a succeeding classification stage to assess their eficacy, resulting in an accurate breast tumor classifiers with 99.83% accuracy. After proposing such a reliable step of determining the existence or absence of a breast tumor in mammogram images, the following was investigating the tumor types and subtypes. Accordingly, we suggested our Dual-View Mammography Pre-processing and Classification (DuoVMPC) approach. It resulted in accurate dual-view Convolutional Neural Network (CNN) classifier that simultaneously interprets the MedioLateral Oblique (MLO) and Cranial Caudal (CC) views of a mammogram. The proposed strategy included pre-processing stage and classification stage, in which the classes were Malignant Mass, Benign Mass, Malignant Calcification, and Benign Calcication, improving the existing accuracy into 95.86%. However, in the obtained outcomes, we noticed that each breast tumor sub-type was suited by a specific pre-processing strategy. Therefore, the investigation of each sub-type as a separate study provides a further reliable and accurate classifiers. Meanwhile, the breast Masses are highly accruing compared to the breast Calcifications. Thus, we proposed our Hybrid Mass Mammography Pre-processing and Classification (HybMMPC) approach. We introduced a pre-processing stage diverged into three sub-strategies, containing various filters for further extracting the Masses Region Of Interest (ROI), removing noise, and enhancing the image. Following a classification stage based on transfer learning was implemented to facilitate the feature extraction process. NevertheviAbstract less, instead of employing the traditional fine-tuning phase, we introduced a hybrid model that involves concatenating two recent feature extractor CNNs with various modifications. We managed to increase accuracy as well, reaching the highest accuracy of 98.13%. The experimental outcomes demonstrate that the proposed approaches outperform the currently top-ranked techniques used for breast cancer detection in terms of classification accuracy, thereby contributing to the development of more reliable CAD systems. note de thèses : Thése de doctorat en informatique

Conception d'un système d'aide à la décision basé sur les honeypots distribués / Nour El Houda Oudnani

Permalink

Deep learning-based ai integration in dual mobile applications for Skin disease detection and doctor-patient appointment management / Ahmed Houssam Eddine Taleb

Permalink

Design and implementation of a desktop application for managing employee affairs and calculating salaries / Ali Bentouati

Permalink

Détection du cancer du sein dans les images échographiques basée sur approches de prétraitement et d’apprentissage en profondeur / Rahil Chellali

Permalink

La détection de la maladie d’Alzheimer avec l’apprentissage profond / Imane Bouzidi

Permalink

Étude comparative entre deux techniques d’extraction automatique des mots-clés / Aymen Ahmed Chaouch

Permalink

Étude comparative de méthodes de détection de communautés dans les réseaux sociaux en ligne / Ayoub Abdessamad Guendouz

Permalink

La fragmentation verticale dans les entrepôts de données / Mustapha Bouakkaz

Permalink

Heart attack prediction based on machine learning techniques / Soumia Abdelaziz

Permalink

Implémentation d'une nouvelle approche de résumé de texte biomédicale / Messaouda Nadjia Taibi

Permalink

---

page /2