Faculté des mathématiques et de l'informatique
Permanent URI for this communityhdl:123456789/17
Browse
3 results
Search Results
Item La Segmentation et La Détection des images IRM pour identifier les tumeurs cérébrales par l’apprentissage profond(university of bordj bou arreridj, 2025) Derradj Zoubir; Derradj ZoubirLe traitement des images médicales est devenu un domaine central dans l’aide au diagnostic. Dans ce mémoire, nous proposons une approche automatique basée sur l’ap prentissage profond pour détecter et segmenter les tumeurs cérébrales à partir d’images IRM. Deux architectures de réseaux neuronaux convolutifs (CNN) ont été utilisées : In ceptionV3 pour la classification binaire et ResUNet pour la segmentation. L’ensemble de données utilisé provient de Kaggle. L’évaluation a montré une précision de 92.7% pour la classification et un Dice de 0.85 pour la segmentation. Ces résultats prouvent l’efficacité de notre méthode et son potentiel pour des applications médicales réelles.Item Un Système Intelligent D’analyse Avancée Des Fichiers Journaux (Logs) Web Pour La Découverte Des Cybermenaces(university of bordj bou arreridj, 2025) Amel LOUDADJI; • Oussama AITEURLa large diffusion des applications web et leur accessibilité universelle constituent un facteur de risque qui multiplie les vecteurs d'attaque potentiels. Malgré la diversité des mécanismes de protection disponibles, des systèmes de surveillance et d'alerte sophistiqués, ainsi qu’une capacité de réponse rapide aux incidents de sécurité sont nécessaires. Les fichiers journaux (logs) d’une application web fournissent des enregistrements détaillés des activités qui se produisent au niveau du serveur web. Leur analyse offre une surveillance constante permettant de détecter et de comprendre l'évolution des menaces, tout en garantissant une réaction rapide aux incidents de sécurité. L'intelligence artificielle, en particulier l'apprentissage automatique, est devenue une solution efficace pour l'analyse avancée des fichiers journaux web et ce pour améliorer significativement la capacité de détection des attaques web. Ce mémoire propose l’architecture d’un système intelligent d’analyse avancée des fichiers journaux web. Les composants clés de cette architecture sont le moteur d’analyse et le module de décision. Le moteur d’analyse utilise une approche hybride basée sur les techniques de machine d’apprentissage non supervisées et supervisées. Il consiste en ensemble de classifieurs diversifiés qui identifie les enregistrements journaux suspects puis fait leur classification détaillée en attaques. Le module de décision fusionne les résultats issus des classifieurs selon une heuristique proposée et présentent les résultats de classifications finaux. Ce qui donne un aspect scientifique à la classification des attaques et ajoute un deuxième caractère d’intelligence au système proposé. L’évaluation des performances de notre système montre des résultats très satisfaisants qui prouvent l’efficacité de notre système d’analyse, confirme notre orientation vers une approche hybride des techniques de machine d’apprentissage et montre la démarche scientifique et intelligente adoptée lors de l’étape de prise de décision pour la classification finale des résultats.Item Narrative Approaches and Machine Learning for Health Knowledge Management: Themes Extraction and Texts Classification(university of bordj bou arreridj, 2025) Hafida TiaibaThe healthcare sector generates a massive volume of heterogeneous information every day, a large portion of which takes a narrative form, such as medical records, hospitalisation reports, and patient testimonies. In the context of exponential growth in textual medical data, it has become essential to transform this information into machine-readable knowledge to support personalised diagnoses, therapeutic monitoring, and the practice of precision medicine. This thesis proposes an interdisciplinary approach that combines symbolic arti f icial intelligence, machine learning—including deep learning techniques—and medical on tologies to enhance the representation, organisation, and utilisation of healthcare knowledge. Ontologies structure and provide meaning to specific terms, abbreviations, and contextual dependencies present in medical texts, while advanced machine learning techniques facilitate their automatic classification into disease categories, treatment plans, or predefined diag nostic groups. The integration of these methods provides a robust framework for managing narrative knowledge in healthcare, optimising the retrieval of relevant information, support ing clinical decision-making, and enabling treatment planning tailored to individual patient needs. Thus, combining narrative formalisms, statistical methods, and ontological resources offers a powerful means to fully exploit the potential of textual medical data.