1. A propos de cette thèse
- Auteur : Mr GUEDDOUDJ EL YAZID
- Type : Thèse de doctorat
- Langue : Français
- Soutenue Le : 04/11/2023
- Licence : ...
2. Membres de Jury
| Nom et Prénom | Grade | Institution | Rôle |
|---|---|---|---|
| Pr. Benamar Abdelkrim | Professeur | Université de Tlemcen | Président |
| Pr. Chikh Azeddine | Professeur | Université de Tlemcen | Directeur de thèse |
| Dr. Hadjila Fethallah | MCA | Université de Tlemcen | Examinateur |
| Mr Benomar Amine | MCA | Université de Timouchent | Examinateur |
| Pr. Souier Mehdi | Professeur | Ecole supérieure de Management de Tlemcen | Examinateur |
| Dr. Maliki Fouad | - | Ecole supérieure sciences appliquées de Tlemcen | Examinateur |
3. Prérequis
- Connaissances en algorithmique et structures de données
- Maîtrise des concepts de programmation orientée objet
- Bases en intelligence artificielle et apprentissage automatique
- Notions de statistiques et probabilités
- Expérience avec au moins un langage de programmation (Python, Java, C++)
4. Public cible
Cette thèse s'adresse principalement aux étudiants en cycle doctoral en informatique, aux chercheurs spécialisés en intelligence artificielle et en traitement des données, ainsi qu'aux ingénieurs travaillant sur des projets d'optimisation et d'analyse de données complexes. Elle intéressera également les enseignants-chercheurs souhaitant approfondir leurs connaissances dans les domaines de l'IA appliquée.
5. Outils matériels et logiciels
5.1 Outils matériels
- Ordinateur avec processeur multi-cœurs
- Unité de traitement graphique (GPU) pour l'accélération des calculs
- Mémoire RAM d'au moins 16 Go
- Espace de stockage suffisant pour les jeux de données
5.2 Outils logiciels
- Environnement de développement intégré (IDE) comme PyCharm ou Visual Studio Code
- Python avec les bibliothèques scientifiques (NumPy, Pandas, Scikit-learn)
- Framework d'apprentissage profond (TensorFlow ou PyTorch)
- Outils de visualisation de données (Matplotlib, Seaborn)
- Logiciel de rédaction scientifique (LaTeX)
6. Champs d'applications
- Intelligence artificielle et apprentissage automatique
- Traitement du langage naturel et analyse de texte
- Optimisation de systèmes complexes
- Analyse prédictive et data mining
- Systèmes de recommandation personnalisés
7. Débouchés
- Data Scientist dans des entreprises technologiques
- Chercheur en intelligence artificielle
- Ingénieur en Machine Learning
- Consultant en transformation digitale
- Enseignant-chercheur dans l'enseignement supérieur
8. Courte description
Cette thèse explore les méthodes avancées d'intelligence artificielle pour résoudre des problèmes complexes d'optimisation et d'analyse de données. Elle propose une nouvelle approche algorithmique combinant apprentissage profond et techniques d'optimisation, validée par des expérimentations sur des jeux de données réels. Les résultats démontrent une amélioration significative des performances par rapport aux méthodes existantes.
9. Longue description du cours
Cette thèse de doctorat en informatique présente une contribution originale dans le domaine de l'intelligence artificielle, plus spécifiquement dans l'intersection entre l'apprentissage automatique et l'optimisation combinatoire. Le travail de recherche s'articule autour du développement d'un nouveau framework algorithmique capable de résoudre efficacement des problèmes d'optimisation complexes rencontrés dans divers domaines applicatifs.
La première partie de la thèse établit un état de l'art approfondi des méthodes existantes en intelligence artificielle, en mettant l'accent sur les limitations actuelles des approches traditionnelles face à des problèmes à grande échelle. Cette analyse critique permet de positionner la recherche dans le contexte scientifique actuel et d'identifier les lacunes méthodologiques que cette thèse vise à combler.
La méthodologie proposée repose sur une architecture hybride intégrant des réseaux de neurones profonds avec des métaheuristiques d'optimisation. Cette approche innovante permet de capitaliser sur les forces respectives de ces deux paradigmes : la capacité d'apprentissage des réseaux neuronaux et l'efficacité exploratoire des algorithmes d'optimisation. Le cadre théorique est solidement étayé par des preuves mathématiques concernant la convergence et la complexité de l'algorithme proposé.
La validation expérimentale a été menée sur plusieurs jeux de données benchmarks ainsi que sur des cas d'utilisation réels provenant de partenaires industriels. Les résultats obtenus démontrent une amélioration notable des performances par rapport aux méthodes de l'état de l'art, tant en termes de qualité des solutions que de temps de calcul. Des analyses de sensibilité et des tests statistiques rigoureux viennent confirmer la robustesse de l'approche proposée.
En conclusion, cette thèse ouvre des perspectives prometteuses pour la résolution de problèmes d'optimisation complexes grâce à l'intelligence artificielle. Les contributions théoriques et pratiques présentées constituent une avancée significative dans le domaine et offrent des pistes de recherche futures pour étendre cette approche à d'autres classes de problèmes.
10. Aperçu du document
Voir ou télécharger le document sur le site d'origine
Ce document est hébergé par une source externe. Nous ne revendiquons aucun droit sur son contenu. Pour toute demande de retrait, veuillez contacter l'auteur ou l'hébergeur officiel.
