https://repository.esi-sba.dz/jspui/handle/123456789/605 Sun, 01 Feb 2026 13:31:43 GMT 2026-02-01T13:31:43Z 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 Mon, 01 Jan 2024 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/753 2024-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/752 Titre: Multimodal Data Fusion using MLP-based Architectures: A Comparative Study Auteur(s): CHERGUI, ABdelmadjid Résumé: This thesis provides an in-depth exploration of Multimodal Machine Learning (MML), a rapidly evolving field with significant implications for technology and society. The study delves into the architecture, variations, and extensions of Transformer models and MLP Mixers, highlighting their strengths and weaknesses. This thesis is centered around research, with no practical implementation undertaken at this stage. Multimodal Machine Learning holds paramount significance across various applications, encompassing areas like multisensory wearable devices, Robotics, and more. Deep learning (DL) techniques, particularly Transformer models and MLP Mixers, have exhibited commendable accuracy and adaptability in handling the intricacies of multimodal data. This thesis has the potential to improve the effectiveness and accessibility of multimodal machine learning, by providing a comprehensive understanding of the latest advancements and challenges in the field. *** Cette thèse propose une exploration approfondie de I’apprentissage automatique multimodal (AMM), un domaine qui évolue rapidement et qui a des implications significatives pour la technologie et la société. L’étude se penche sur l’architecture, les variations et les extensions des modèles transformateurs et mixeurs MLP, en soulignant leurs forces et leurs faiblesses. Cette thèse est centrée sur la recherche, aucune mise en oeuvre pratique n’étant entreprise à ce stade. L’apprentissage automatique multimodal revêt une importance capitale dans diverses applications, des domaines tels que les dispositifs portables multisensoriels, la robotique, et bien d’autres encore. Les techniques de l’apprentissage profond (AP), en particulier les modèles de transformateurs et les mixeurs MLP, ont fait preuve d’une précision et d’une efficacité remarquables, ont fait preuve d’une précision et d’une adaptabilité remarquables dans le traitement des complexités des données multimodales. Cette thèse a le potentiel d’améliorer l’efficacité et l’accessibilité de l’apprentissage automatique multimodal, en fournissant une compréhension complète des dernières avancées et des défis dans ce domaine. Description: Supervisor :Mr. BENSLIMANE Sidi Mohamed Mon, 01 Jan 2024 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/752 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 Mon, 01 Jan 2024 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/737 2024-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/736 Titre: Data driven based approaches for predictive maintenance of aircraft engines Auteur(s): DOU BAHA, HOcine Résumé: As we entered the era Industry 4.0 different sectors of the industry has been revoultionized by the integration of advanced technologies such as the Internet of Things (IoT), big data, and artificial intelligence (AI), and with the maintenance being one of the most important pillars of industry it was also touched by this revoultion . maintenance strategies traditionally categorized into reactive, preventive. However, with the advent of Industry 4.0, predictive maintenance has emerged as a highly efficient method, leveraging the different techniques of the I4.0 to anticiapte potential failures before they occur. This thesis delves into the realm of predictive maintenance, with a particular emphasis on data-driven approaches in the context of aircraft engines. By harnessing vast amounts of operational data, due to their capacity of generalization machine learning models (ML) and deep learning (DL) mostly used to predict engine degradation, ultimately improving reliability, safety, and cost-efficiency. *** Alors que nous entrions dans l’ère de l’Industrie 4.0, différents secteurs ont été révolutionnés par l’intégration de technologies avancées telles que l’Internet des objets (IoT), le Big Data et l’intelligence artificielle. La maintenance étant l’un des piliers les plus importants de l’industrie, elle a été également touché par cette révolution. stratégies de maintenance traditionnellement classées en réactives et préventives. Cependant, avec l’avènement de l’Industrie 4.0, la maintenance prédictive s’est imposée comme une méthode très efficace, exploitant les différentes techniques de l’I4.0 pour anticiper les pannes potentielles avant qu’elles ne surviennent. Cette thèse explore le domaine de la maintenance prédictive, avec un accent particulier sur les approches basées sur les données dans le contexte des moteurs d’avion. En exploitant de grandes quantités de données opérationnelles, en raison de leur capacité de généralisation des modèles d’apprentissage automatique et d’apprentissage profond, principalement utilisés pour prédire la dégradation des moteurs, améliorant ainsi la fiabilité, la sécurité et la rentabilité. Description: Encadreur : Dr KHALDI Belkacem / Dr HAFSI meriem Mon, 01 Jan 2024 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/736 2024-01-01T00:00:00Z