Bibliothèque Centrale de l'Université Assane Seck de Ziguinchor
Détail de l'auteur
Auteur Drame, Khadim |
Documents disponibles écrits par cet auteur (3)
Faire une suggestion Affiner la rechercheÉtat de l’art sur les architectures de Deep Learning : Perceptron, CNN et RNN. Mémoire de Master / Mody Balde / Ziguinchor : Université Assane Seck de Ziguinchor (2024)
Titre de série : État de l’art sur les architectures de Deep Learning : Perceptron, CNN et RNN Titre : Mémoire de Master : Informatique Type de document : texte imprimé Auteurs : Mody Balde, Auteur ; Drame, Khadim, Directeur de la recherche ; Gorgoumack Sambe, Collaborateur Editeur : Ziguinchor : Université Assane Seck de Ziguinchor, 2024 Importance : 1 vol. (74 f.) Présentation : ill., couv. ill. en coul. Format : 30 cm Accompagnement : CD Langues : Français (fre) Mots-clés : Réseaux de neurones artificiels Apprentissage profond Perceptron multicouche Réseaux de neu- rones convolutifs Réseaux de neurones récurrents Mémoire long à court terme Unité récurrente à portes Index. décimale : MI24/10 Résumé : Le Deep Learning (DL) s’est imposé comme un paradigme révolutionnaire dans le domaine de l’intelligence artificielle et du machine learning. Reposant sur des réseaux de neurones artificiels, le DL s’est montré efficace dans plusieurs domaines d’application tels que la reconnaissance vocale (SIRI d’Apple), la traduction automatique (Google Translate) et bien d’autres. Dans ce mémoire, nous proposons un état de l’art et une étude comparative des trois architectures de base du deep learning : le perceptron multicouche (Multi-Layer Perceptron (MLP)), les réseaux convolutifs (Convolutional Neural Network (CNN)) et les réseaux récurrents (Recurrent Neural Network (RNN)). Nous présenterons l’origine et l’évolution historique du deep learning et ses fondements théoriques : le neurone formel, les fonctions d’activation, l’évaluation des modèles, les topologies des réseaux de neurones, les techniques d’apprentissage du deep learning ainsi que les algorithmes d’optimisation. Nous aborderons l’architecture du MLP, son fonctionnement, l’algorithme de la rétropropagation, son domaine d’application et ses limites. Pour les CNN, nous présenterons le principe de la convolution qui constitue la base des CNN ainsi que leurs architectures avec leurs différentes couches : couche de convolution, couche de pooling et couche entièrement connectée. Nous présenterons aussi leurs domaines d’application et leurs limites Pour les RNN, en plus de leur architecture, nous présenterons leur mécanisme d’apprentissage avec la rétropropa- gation à travers le temps (Backpropagation Through Time). Nous parlerons de leurs problèmes d’apprentissage, à savoir la disparition du gradient et l’explosion du gradient. Nous présenterons les variantes des RNN : les mémoires à long et court terme (Long Short-Term Memory (LSTM)) et les unités récurrentes à portes (Gated Recurrent Unit (GRU)). Leurs domaines d’application ainsi que leurs limites seront abordés. Des travaux antérieurs ont montré que les CNN sont plus adaptés pour les tâches de traitement d’image, tandis que les RNN sont plus aptes pour le traitement des données séquentielles ou des séries temporelles . Nous avons proposé une étude comparative entre les architectures MLP et CNN sur la classification d’image avec le jeu de données CIFAR-10 et entre les architectures CNN et RNN pour l’analyse de sentiment avec le jeu de données IMDB, ainsi que pour la génération de poèmes avec un recueil de poèmes de Victor Hugo. Les résultats de cette étude sur les métriques d’exactitude, précision, rappel, score f1 ainsi que sur le temps d’en- traînement, confortent les observations de nos prédécesseurs en élargissant le champ d’étude sur d’autres tâches. En ligne : https://rivieresdusud.uasz.sn/handle/123456789/2298 État de l’art sur les architectures de Deep Learning : Perceptron, CNN et RNN. Mémoire de Master : Informatique [texte imprimé] / Mody Balde, Auteur ; Drame, Khadim, Directeur de la recherche ; Gorgoumack Sambe, Collaborateur . - Ziguinchor : Université Assane Seck de Ziguinchor, 2024 . - 1 vol. (74 f.) : ill., couv. ill. en coul. ; 30 cm + CD.
Langues : Français (fre)
Mots-clés : Réseaux de neurones artificiels Apprentissage profond Perceptron multicouche Réseaux de neu- rones convolutifs Réseaux de neurones récurrents Mémoire long à court terme Unité récurrente à portes Index. décimale : MI24/10 Résumé : Le Deep Learning (DL) s’est imposé comme un paradigme révolutionnaire dans le domaine de l’intelligence artificielle et du machine learning. Reposant sur des réseaux de neurones artificiels, le DL s’est montré efficace dans plusieurs domaines d’application tels que la reconnaissance vocale (SIRI d’Apple), la traduction automatique (Google Translate) et bien d’autres. Dans ce mémoire, nous proposons un état de l’art et une étude comparative des trois architectures de base du deep learning : le perceptron multicouche (Multi-Layer Perceptron (MLP)), les réseaux convolutifs (Convolutional Neural Network (CNN)) et les réseaux récurrents (Recurrent Neural Network (RNN)). Nous présenterons l’origine et l’évolution historique du deep learning et ses fondements théoriques : le neurone formel, les fonctions d’activation, l’évaluation des modèles, les topologies des réseaux de neurones, les techniques d’apprentissage du deep learning ainsi que les algorithmes d’optimisation. Nous aborderons l’architecture du MLP, son fonctionnement, l’algorithme de la rétropropagation, son domaine d’application et ses limites. Pour les CNN, nous présenterons le principe de la convolution qui constitue la base des CNN ainsi que leurs architectures avec leurs différentes couches : couche de convolution, couche de pooling et couche entièrement connectée. Nous présenterons aussi leurs domaines d’application et leurs limites Pour les RNN, en plus de leur architecture, nous présenterons leur mécanisme d’apprentissage avec la rétropropa- gation à travers le temps (Backpropagation Through Time). Nous parlerons de leurs problèmes d’apprentissage, à savoir la disparition du gradient et l’explosion du gradient. Nous présenterons les variantes des RNN : les mémoires à long et court terme (Long Short-Term Memory (LSTM)) et les unités récurrentes à portes (Gated Recurrent Unit (GRU)). Leurs domaines d’application ainsi que leurs limites seront abordés. Des travaux antérieurs ont montré que les CNN sont plus adaptés pour les tâches de traitement d’image, tandis que les RNN sont plus aptes pour le traitement des données séquentielles ou des séries temporelles . Nous avons proposé une étude comparative entre les architectures MLP et CNN sur la classification d’image avec le jeu de données CIFAR-10 et entre les architectures CNN et RNN pour l’analyse de sentiment avec le jeu de données IMDB, ainsi que pour la génération de poèmes avec un recueil de poèmes de Victor Hugo. Les résultats de cette étude sur les métriques d’exactitude, précision, rappel, score f1 ainsi que sur le temps d’en- traînement, confortent les observations de nos prédécesseurs en élargissant le champ d’étude sur d’autres tâches. En ligne : https://rivieresdusud.uasz.sn/handle/123456789/2298 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 0200000232 MI24/10 ex.1 Mémoires Bibliothèque Centrale Thèse, Mémoire Exclu du prêt
Titre de série : Application des algorithmes de machine learning sur une architecture big data Titre : Mémoire de master : informatique Type de document : texte imprimé Auteurs : Yéro Niang, Auteur ; Gorgoumack Sambe, Directeur de la recherche ; Drame, Khadim, Collaborateur Editeur : Ziguinchor : Université Assane Seck de Ziguinchor, 2024 Importance : 1 vol. (76 f.) Présentation : ill., couv. ill. en coul. Format : 30 cm Langues : Français (fre) Mots-clés : Big Data File systems Hadoop HDFS MapReduce Machine Lerning K-nearest neighbors KNN Decision Tree ID3 Index. décimale : MI24/13 Résumé : Ces dernières années, les données numériques échangées à travers Internet ont connu une augmentation exponentielle et une diversité sans précédent, donnant naissance au concept de Big Data. Ce phénomène, en plein essor, désigne aujourd’hui un vaste volume de données struc- turées et non structurées, souvent difficiles à traiter et à analyser en utilisant les technologies traditionnelles. Ces immenses volumes de données regorgent de précieuses informations qui peuvent être extraites à l’aide des algorithmes de machine learning. Cependant, l’application de ces algorithmes soulève plusieurs défis importants. L’objectif de ce mémoire est, dans un premier temps, de réaliser une étude globale sur le machine learning en passant en revue les différents types d’apprentissage ainsi que les diverses méthodes d’analyse. Cette étude inclura notamment l’analyse de classification, où l’algorithme des K-plus proches voisins (KNN) et celui des arbres de décision (ID3) feront l’objet d’une ana- lyse détaillée. Nous aborderons également les méthodes de régression et d’analyse par graphe. Dans un second temps, ce mémoire explorera les concepts fondamentaux du Big Data en discutant de l’origine des 5V, en examinant les défis associés au traitement des données mas- sives, et en présentant les technologies utilisées dans ce domaine. Une attention particulière sera portée à une étude détaillée de Hadoop, une des technologies phares du Big Data. Enfin, une étude comparative des performances des algorithmes KNN et ID3 sera réalisée. Cette comparaison se fera en testant les algorithmes sur une machine simple, puis sur un cluster Hadoop constitué de trois nœuds. L’objectif de cette étude est de mettre en évidence les dif- férences de performances entre une exécution sur une seule machine et une exécution sur un environnement distribué Hadoop. En ligne : https://rivieresdusud.uasz.sn/xmlui/handle/123456789/2207 Application des algorithmes de machine learning sur une architecture big data. Mémoire de master : informatique [texte imprimé] / Yéro Niang, Auteur ; Gorgoumack Sambe, Directeur de la recherche ; Drame, Khadim, Collaborateur . - Ziguinchor : Université Assane Seck de Ziguinchor, 2024 . - 1 vol. (76 f.) : ill., couv. ill. en coul. ; 30 cm.
Langues : Français (fre)
Mots-clés : Big Data File systems Hadoop HDFS MapReduce Machine Lerning K-nearest neighbors KNN Decision Tree ID3 Index. décimale : MI24/13 Résumé : Ces dernières années, les données numériques échangées à travers Internet ont connu une augmentation exponentielle et une diversité sans précédent, donnant naissance au concept de Big Data. Ce phénomène, en plein essor, désigne aujourd’hui un vaste volume de données struc- turées et non structurées, souvent difficiles à traiter et à analyser en utilisant les technologies traditionnelles. Ces immenses volumes de données regorgent de précieuses informations qui peuvent être extraites à l’aide des algorithmes de machine learning. Cependant, l’application de ces algorithmes soulève plusieurs défis importants. L’objectif de ce mémoire est, dans un premier temps, de réaliser une étude globale sur le machine learning en passant en revue les différents types d’apprentissage ainsi que les diverses méthodes d’analyse. Cette étude inclura notamment l’analyse de classification, où l’algorithme des K-plus proches voisins (KNN) et celui des arbres de décision (ID3) feront l’objet d’une ana- lyse détaillée. Nous aborderons également les méthodes de régression et d’analyse par graphe. Dans un second temps, ce mémoire explorera les concepts fondamentaux du Big Data en discutant de l’origine des 5V, en examinant les défis associés au traitement des données mas- sives, et en présentant les technologies utilisées dans ce domaine. Une attention particulière sera portée à une étude détaillée de Hadoop, une des technologies phares du Big Data. Enfin, une étude comparative des performances des algorithmes KNN et ID3 sera réalisée. Cette comparaison se fera en testant les algorithmes sur une machine simple, puis sur un cluster Hadoop constitué de trois nœuds. L’objectif de cette étude est de mettre en évidence les dif- férences de performances entre une exécution sur une seule machine et une exécution sur un environnement distribué Hadoop. En ligne : https://rivieresdusud.uasz.sn/xmlui/handle/123456789/2207 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 0200000095 MI24/13 ex.1 Mémoires Bibliothèque Centrale Thèse, Mémoire Exclu du prêt
Titre de série : Conception d'une application mobile native facilitatrice de la mobilité urbaine : MovEase Titre : Mémoire de master : informatique Type de document : texte imprimé Auteurs : Lassana DIALLO, Auteur ; Drame, Khadim, Directeur de la recherche ; Sunday Oyeniyi, Collaborateur Editeur : Ziguinchor : Université Assane Seck de Ziguinchor, 2025 Importance : 1 vol. (86 f.) Présentation : ill., couv. ill. en coul. Format : 30 cm Langues : Français (fre) Mots-clés : MovEase Mobilité urbaine Application mobile Native Facilitatrice Index. décimale : MI25/10 Résumé : Dans un contexte d'urbanisation croissante et de transformation numérique, les systèmes de mobilité urbaine à Dakar font face à des défis majeurs en termes d'efficacité, d'accessibilité et de transparence. Le système de transport public dakarois présente plusieurs lacunes importantes : absence d'informations en temps réel sur les trajets, un processus d'achat de titres inefficace et gestion informelle des recettes. Les solutions numériques existantes se limitent essentiellement au paiement et aux réservations, sans offrir de fonctionnalités complètes de planification et d'information. Face à ces problématiques, nous proposons MovEase, une application innovante qui va au-delà des solutions actuelles en adoptant une approche intégrée de la mobilité urbaine. Cette plateforme permet aux usagers de simuler et planifier leurs trajets, d'acquérir des billets dématérialisés, de recevoir des informations en temps réel sur la disponibilité des bus et de gérer un portefeuille électronique sécurisé. Pour les opérateurs de transport et les autorités locales, MovEase offre des outils de suivi et d'analyse des données qui favorisent une meilleure gestion des services. Pour la réalisation de cette application, nous avons adopté une approche méthodologique rigoureuse, comprenant une analyse approfondie des besoins et l'utilisation de technologies adaptées. En centralisant les informations et en facilitant l’accès aux services de transport en commun, MovEase vise non seulement à améliorer l'expérience des usagers, mais également à optimiser l'efficacité du système de transport tout en réduisant l'impact environnemental grâce à la dématérialisation des processus. Cette solution propose un modèle potentiellement applicable à d'autres contextes urbains confrontés à des défis similaires de mobilité. Conception d'une application mobile native facilitatrice de la mobilité urbaine : MovEase. Mémoire de master : informatique [texte imprimé] / Lassana DIALLO, Auteur ; Drame, Khadim, Directeur de la recherche ; Sunday Oyeniyi, Collaborateur . - Ziguinchor : Université Assane Seck de Ziguinchor, 2025 . - 1 vol. (86 f.) : ill., couv. ill. en coul. ; 30 cm.
Langues : Français (fre)
Mots-clés : MovEase Mobilité urbaine Application mobile Native Facilitatrice Index. décimale : MI25/10 Résumé : Dans un contexte d'urbanisation croissante et de transformation numérique, les systèmes de mobilité urbaine à Dakar font face à des défis majeurs en termes d'efficacité, d'accessibilité et de transparence. Le système de transport public dakarois présente plusieurs lacunes importantes : absence d'informations en temps réel sur les trajets, un processus d'achat de titres inefficace et gestion informelle des recettes. Les solutions numériques existantes se limitent essentiellement au paiement et aux réservations, sans offrir de fonctionnalités complètes de planification et d'information. Face à ces problématiques, nous proposons MovEase, une application innovante qui va au-delà des solutions actuelles en adoptant une approche intégrée de la mobilité urbaine. Cette plateforme permet aux usagers de simuler et planifier leurs trajets, d'acquérir des billets dématérialisés, de recevoir des informations en temps réel sur la disponibilité des bus et de gérer un portefeuille électronique sécurisé. Pour les opérateurs de transport et les autorités locales, MovEase offre des outils de suivi et d'analyse des données qui favorisent une meilleure gestion des services. Pour la réalisation de cette application, nous avons adopté une approche méthodologique rigoureuse, comprenant une analyse approfondie des besoins et l'utilisation de technologies adaptées. En centralisant les informations et en facilitant l’accès aux services de transport en commun, MovEase vise non seulement à améliorer l'expérience des usagers, mais également à optimiser l'efficacité du système de transport tout en réduisant l'impact environnemental grâce à la dématérialisation des processus. Cette solution propose un modèle potentiellement applicable à d'autres contextes urbains confrontés à des défis similaires de mobilité. Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 0200000329 MI25/10 ex.1 Mémoires Bibliothèque Centrale Thèse, Mémoire Exclu du prêt
