https://repository.esi-sba.dz/jspui/handle/123456789/606 2026-02-01T16:25:15Z https://repository.esi-sba.dz/jspui/handle/123456789/753 Titre: Multimodal Data Fusion using MLP-based Architectures Auteur(s): CHERGUI, ABdelmadjid Résumé: Multimodal machine learning is an active interdisciplinary field of research that focuses on developing intelligent computer systems capable of understanding, reasoning, and learning by integrating multiple modalities. It also presents unique computational and theoretical challenges due to the heterogeneity of data sources and the often complex interconnections between different modalities. These challenges make the selection of an effective deep learning architecture for multimodal data fusion and learning a non-trivial task. This Thesis primarily focuses on addressing these challenges. And to propose a novel framework that tackles the challenge of selecting an appropriate architecture for a multimodal learning tasks. Our approach leverages the strengths of Multi-Layer Perceptrons (MLP)-based architectures, which are known for their computational efficiency, simple design, and robustness in handling various data types and tasks. In our research, we delve into the basic principles of multimodal machine learning, with a particular emphasis on the role of MLP-based architectures. We provide a detailed exploration of our proposed framework, discussing its design, implementation, and the advantages it offers. This work represents a significant step towards more efficient and effective multimodal learning systems. *** L’apprentissage automatique multimodal est un domaine de recherche interdisciplinaire actif qui se concentre sur le développement de systèmes informatiques intelligents capables de comprendre, de raisonner et d’apprendre en intégrant plusieurs modalités. Il présente également des défis calculatoires et théoriques uniques en raison de l’hétérogénéité des sources de données et des interconnexions souvent complexes entre les différentes modalités. Ces défis font de la sélection d’une architecture d’apprentissage profond efficace pour la fusion de données multimodales et l’apprentissage une tâche non triviale. Cette thèse se concentre principalement sur la résolution de ces défis. Et de proposer un nouveau framework qui s’attaque au défi de la sélection d’une architecture d’apprentissage profond. qui relève le défi de la sélection d’une architecture appropriée pour une tâche d’apprentissage multimodale. Notre approche s’appuie sur les forces des architectures basées sur les perceptrons multicouches (MLP), qui sont connues pour leur efficacité de calcul, leur simplicité de conception, et leur robustesse dans la gestion de divers types de données et de tâches. Dans notre recherche, nous nous concentrons sur les principes de base de l’apprentissage automatique multimodal, en mettant particulièrement l’accent sur le rôle des architectures basées sur les MLP. Nous explorons en détail le cadre que nous proposons, en discutant de sa conception, de sa mise en oeuvre et des avantages qu’il offre. Ce travail représente un pas important vers des systèmes d’apprentissage multimodaux plus efficaces et plus performants. Description: Supervisor : Mr. BENSLIMANE Sidi Mohamed 2024-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/737 Titre: Predictive maintenance of aircraft engines using Transformers and Temporal convolution network Auteur(s): DOU BAHA, HOcine Résumé: This thesis explores predictive maintenance within the context of Industry 4.0, focusing on aircraft engines. It highlights the inefficiencies of traditional maintenance methods and emphasizes the role of predictive maintenance, leveraging machine learning and deep learning techniques to forecast engine degradation. The research introduces two deep learning models: one using transformers and another using temporal convolutional networks (TCN). These architectures are evaluated for their effectiveness in predicting the remaining useful life (RUL) of aircraft engines, ultimately aiming to enhance engine reliability and operational safety. The study also discusses the implementation of a real-time monitoring system for engine maintenance. *** Cette thèse explore la maintenance prédictive dans le cadre de l’industrie 4.0, en se concentrant sur les moteurs d’avion. Elle met en lumière les inefficacités des méthodes de maintenance traditionnelles et souligne le rôle de la maintenance prédictive, qui utilise des techniques d’apprentissage automatique et d’apprentissage profond pour prédire la dégradation des moteurs. La recherche propose deux modèles d’apprentissage profond : l’un basé sur les transformateurs (Transformers) et l’autre sur les réseaux de convolution temporelle (TCN). Ces architectures sont évaluées pour leur efficacité à prédire la durée de vie restante (RUL) des moteurs d’avion, dans le but d’améliorer la fiabilité des moteurs et la sécurité des opérations. L’étude discute également de la mise en oeuvre d’un système de surveillance en temps réel pour la maintenance des moteurs. Description: Encadreur : Dr KHALDI Belkacem / Dr HAFSI meriem 2024-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/733 Titre: Data-driven prediction of blood transfusion performance Auteur(s): BOUCHOUKA, ZOhra HIdaya Résumé: In the era of data-driven healthcare, blood transfusion management has become crucial, with machine learning offering significant enhancements to decision-making and patient care. This project utilizes a dataset from CHU Saint-Étienne, comprising over 50 patient records, which presents challenges such as limited sample size, missing values, and longitudinal complexity. To address these issues, we will evaluate various data imputation methods and benchmark synthetic data generation techniques to improve transfusion outcome predictions. This study aims to identify key predictive features that support more efficient and effective clinical decision-making, ultimately contributing to improved patient safety and resource utilization in blood transfusion management. *** À l’ère des soins de santé basés sur les données, la gestion des transfusions sanguines est devenue cruciale, avec l’apprentissage automatique apportant des améliorations significatives à la prise de décision et aux soins des patients. Ce projet utilise un ensemble de données du CHU Saint-Étienne, comprenant plus de 50 dossiers de patients, qui présente des défis tels qu’une taille d’échantillon limitée, des valeurs manquantes et une complexité longitudinale. Pour relever ces défis, nous évaluerons diverses méthodes d’imputation de données et comparerons des techniques de génération de données synthétiques afin d’améliorer la prise de décision. Cette étude vise à identifier les caractéristiques prédictives clés qui soutiennent une prise de décision clinique plus efficace et efficiente, contribuant ainsi à une meilleure sécurité des patients et à une utilisation optimisée des ressources dans la gestion des transfusions sanguines. Description: Supervisor : Ms. Julia FLECK Co-Supervisor : Mr. Sidi Mohamed BENSLIMANE / Mr. Xie XIAOLAN /Mr. Fabrice COGNASSE / Ms. Hind HAMZEH 2024-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/731 Titre: Deep Learning architectures for generating rehabilitation human motion Auteur(s): FERRAR, HAdjar ARoua Résumé: Exercise-based rehabilitation programs play a vital role in helping patients recover from injuries or surgeries, significantly enhancing their quality of life while reducing mortality rates and the likelihood of re-hospitalization. However, traditional rehabilitation methods are often resource-intensive, requiring continuous supervision by therapists. This creates a substantial barrier for patients who need to attend rehabilitation sessions multiple times a week. One way to resolve this is by providing technological support for home-based rehabilitation. Recent advancements in deep learning offer promising new avenues for automating and improving these rehabilitation practices by generating human motion patterns. Previous works in the domain of motion generation have rarely explored the generation of rehabilitation movements. In this project, we propose a deep learning-based framework for generating rehabilitation human motion. Given a prescribed action type and a quality score, we aim to generate plausible 3D rehabilitation human motion sequences. We propose a conditional Variational Auto-Encoder (VAE) that encourages a diverse sampling of the motion space according to a specified performance score. Description: Encadreur :Dr. Maxime DEVANNE / Dr. Belkacem KHALDI Co-Encadreur : Dr. Ali Ismail FAWAZ 2024-01-01T00:00:00Z