Afficher la notice abrégée
dc.contributor.author |
GUEBLA Borhane Eddine |
|
dc.contributor.author |
TAIBI Mouloud |
|
dc.date.accessioned |
2023-09-18T08:38:10Z |
|
dc.date.available |
2023-09-18T08:38:10Z |
|
dc.date.issued |
2023 |
|
dc.identifier.issn |
MM/741 |
|
dc.identifier.uri |
https://dspace.univ-bba.dz:443/xmlui/handle/123456789/3904 |
|
dc.description.abstract |
L'objectif principal de ce mémoire est de prévoir les manifestations publiques à l'aide
d'algorithmes d'apprentissage par transfert, apprentissage automatique et d'attributs recueillis à
partir des données des médias sociaux. Nous nous concentrons notamment sur l'affaire "Hirak",
qui a débuté en Algérie en février 2019. L'objectif sera également de fournir un modèle de
prédiction basé sur des techniques de catégorisation pour prévoir les manifestations majeures en
utilisant les informations des canaux de médias sociaux publics de Twitter. Afin d'atteindre les
objectifs susmentionnés, nous présentons un aperçu méthodologique de quatre techniques de
classifications fondamentales d'apprentissage par transfert, apprentissage automatique et
comparons leurs performances dans la catégorisation des tweets de protestation. Dans
l'ensemble, nous avons obtenu des performances de classification modérées à bonnes, avec des
valeurs d'exactitude allant de 0,50 à 0,75. Cela suggère que les méthodes et les algorithmes
utilisés peuvent fournir des résultats significatifs dans la tâche de classification.
The main objective of this thesis is to predict public protests using transfer learning ,
machine learning and attribute algorithms gathered from social media data. We focus in
particular on the "Hirak" case, which began in Algeria in February 2019. The aim will also be to
provide a prediction model based on categorization techniques to predict major protests using
information from Twitter's public social media channels. In order to achieve the
above-mentioned objectives, we present a methodological overview of four fundamental transfer
learning , machine learning classification techniques and compare their performance in the
categorization of protest tweets. Overall, we achieved moderate to good classification
performance, with accuracy values ranging from 0.50 to 0.75. This suggests that the methods and
algorithms used can provide significant results in the classification task
.الهدف الرئيسي من هذه الأطروحة هو التنبؤ بالاحتجاجات العامة باستخدام التعلم الانتقالي والتعلم الآلي وخوارزميات
السمات التي تم جمعها من بيانات وسائل التواصل الاجتماعي. نركز بشكل خاصعلى قضية "الحراك" التي بدأت في الجزائر
في فبراير 2019 . سيكون الهدف أيضًا هو توفير نموذج تنبؤ يعتمد على تقنيات التصنيف للتنبؤ بالاحتجاجات الكبرى باستخدام
من أجل تحقيق الأهداف المذكورة أعلاه ، بشكل عام حققنا أداء .Twitter معلومات من قنوات التواصل الاجتماعي العامة على
تصنيف متوسط إلى جيد، مع قيم دقة تتراوح من 0.50 إلى 0.75 . يشير هذا إلى أن الأساليب والخوارزميات المستخدمة يمكن
أن توفر نتائج مهمة في مهمة التصنيف |
en_US |
dc.language.iso |
fr |
en_US |
dc.publisher |
UNIVERSITY BBA |
en_US |
dc.subject |
"Hirak" |
en_US |
dc.title |
Manipulation des ensembles de données multilingues pour l’analyse des sentiments |
en_US |
dc.type |
Thesis |
en_US |
Fichier(s) constituant ce document
Ce document figure dans la(les) collection(s) suivante(s)
Afficher la notice abrégée