https://repository.esi-sba.dz/jspui/handle/123456789/607 Tue, 03 Feb 2026 08:36:38 GMT 2026-02-03T08:36:38Z 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/123456789/736 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 https://repository.esi-sba.dz/jspui/handle/123456789/732 Titre: Adressing Small and Incomplete Clinical Datasets: Data Imputation and Synthetic Data Generation Auteur(s): BOUCHOUKA, ZOhra HIdaya Résumé: In the age of data, healthcare has become a vital field where enormous amounts of information are collected, analyzed, and used to improve patient outcomes. Yet, the practical application of big data in healthcare faces significant challenges, especially when it comes to tabular data. Medical datasets often suffer from challenges such as small sample sizes and missing values, which hinder the application of traditional machine learning models that typically require large, complete datasets for accurate predictions. This research addresses these challenges, focusing on the development and application of innovative data imputation and augmentation techniques to enhance the predictive reliability of healthcare models. The study aims to identify and evaluate state-of-the-art approaches for handling missing data specially for small datasets to improve model performance. By applying these techniques to healthcare scenarios, the research seeks to improve predictive accuracy and support better clinical decisionmaking, emphasizing the importance of identifying critical variables influencing patient outcomes. While his thesis is focused on research, with no practical implementation undertaken at this stage, eventually the findings are expected to significantly enhance clinical decision-making, showcasing the potential of advanced data processing techniques to overcome common challenges in healthcare data analytics. *** À l’ère des données, le secteur de la santé est devenu un domaine crucial où d’énormes quantités d’informations sont collectées, analysées et utilisées pour faciliter les tâches pour les experts et améliorer les résultats pour les patients. Cependant, l’application pratique des sciences des données dans le secteur de la santé rencontre des défis importants, notamment lorsqu’il s’agit de données tabulaires. Les ensembles de données médicales souffrent souvent de défis tels que les petites tailles d’échantillons et les valeurs manquantes, ce qui entrave l’application des modèles d’apprentissage automatique traditionnels qui nécessitent généralement des ensembles de données volumineux et complets pour des prédictions précises. Cette recherche aborde ces défis en se concentrant sur le développement et l’application de techniques innovantes d’imputation et d’augmentation des données pour améliorer la fiabilité prédictive des modèles de santé, en particulier dans des domaines tels que la performance des transfusions sanguines et le diagnostic. L’étude vise à identifier et évaluer les approches de pointe pour gérer les données manquantes, et les petites base de données, afin d’améliorer la performance des modèles. En appliquant ces techniques aux scénarios de santé, la recherche cherche à améliorer la précision des prédictions et à soutenir une meilleure prise de décision clinique, en mettant l’accent sur l’importance d’identifier les variables critiques influençant les résultats des patients. Bien que cette thèse soit axée sur la recherche, sans mise en oeuvre pratique à ce stade, les résultats devraient finalement améliorer de manière significative la prise de décision clinique, démontrant le potentiel des techniques avancées de traitement des données pour surmonter les défis courants dans l’analyse des données de santé. Description: Supervisor : Ms. Julia FLECK Co-Supervisor :Mr. Sidi Mohamed BENSLIMANE / Mr. Xie XIAOLAN Mon, 01 Jan 2024 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/732 2024-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/730 Titre: Deep Learning architectures for generating human motion Auteur(s): FERRAR, HAdjar ARoua Résumé: Human motion generation is a critical area of research with applications spanning animation, virtual reality, robotics, and healthcare. It involves creating realistic and dynamic representations of human movements through computational models. Traditional methods often struggle to capture the complexity and variability of natural human motion. Recent advancements in deep learning offer promising solutions, leveraging sophisticated neural network architectures that excel in learning temporal sequences and generating high-fidelity motion data. Despite these advancements, the field continues to grapple with issues such as data scarcity, the need for extensive computational resources, and ensuring the generalization of models across different types of motion. This thesis delves into these challenges, exploring the latest deep-learning techniques that aim to enhance the realism and diversity of human motion generation. Description: Encadrant :Dr. Maxime DEVANNE / Dr. Belkacem KHALDI Co-Encadrant : Dr. Ali Ismail FAWAZ Mon, 01 Jan 2024 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/730 2024-01-01T00:00:00Z