| Titre : | Algorithme Génétique de tri non dominé combiné à une technique de classification pour la prédiction du COVID-19 |
| Auteurs : | Ramla Bouchami, Auteur ; Sihem Slatnia, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2022 |
| Format : | 1 vol. (82 p.) / couv. ill. en coul / 30 cm |
| Langues: | Français |
| Mots-clés: | aide à la décision, classification, COVID-19, fonction objective, optimisation |
| Résumé : |
Dans le domaine médical, l’analyse de données est devenu un enjeu de grande importance que ce soit sur le plan économique que sur le volet pratique et aussi en recherche suite à l’apport très considérable de ce processus pour laide à la décision à l’expert médical. Cet enjeu concerne aussi le choix des stratégies à appliquées en cas de difficulté pratique de prédiction. Ce dernier concept a pris de l’ampleur avec l’apparition de la pandémie COVID-19 ce qui a imposé une orientation vers l’utilisation des techniques d’optimisation multi-objectif. Notre projet exploite l’algorithme NSGA-II qui a fait preuve d’efficacité dans plusieurs domaines de recherche comme une modèle très adéquat pour ce qu’on appelle « machine learning ». Notre système est basé sur une étape de sélection des caractéristiques suivie d’une autre qui a pour but la classification pour la prédiction de malade atteint de COVID-19. Pour la première étape nous utilisons l’algorithme NSGA-II pour sélectionner le meilleur sous ensemble des caractéristiques qui résolvent le conflit entre les fonctions objectives pour l’apprentissage. Pour la seconde étape qui porte sur l’apprentissage ; le classifieur Adaboost est utilisé pour prédire la classe correspondante. Une autre tache est réalisée par notre système, c’est la tache de test dont le but est de voir la consistance du modèle généré. |
| Sommaire : |
Table des matières INTRODUCTION GENERALE …………3 I.1 Introduction…………3 I.2 La pneumonie et problème respiratoire……….3 I.3 Les causes de la pneumonie….4 I.4 Pneumonie virale……………………...5 I.4.1 Pneumonie bactérienne…….....5 I.4.2 Pneumonie atypique…………………5 I.4.3 Broncho-pneumonie……6 I.5 COVID-19 ...6 I.5.1 Les symptômes de COVID-19…………7 I.5.2 COVID Syndrome respiratoire aigu sévère (SRAS) 8 I.5.3. Comportement de COVID…………………….……9 I.5.3.1 Le cas asymptomatique de COVID-19..…9 I.5.3.2 Le cas présymptomatique de COVID-19 ………..9 I.5.3.3 Cas bénins de COVID-19 …………..10 I.6 Synthèse de travaux sur COVID-19 ……….…….12 I.7 Synthèse comparative ………………16 I.8 Conclusion….18 CHAPITRE II : L’optimisation multi-objectif, l’algorithme NSGA-I II.1 Introduction…………19 II.2 Classification des méthodes de résolution des problèmes combinatoire19 II.2.1 Méthodes exactes…….19 II.2.2 Méthodes approchées……..19 II.3 Les algorithmes évolutionnaires………...19 II.3.1 Les Algorithmes Génétiques…………...…20 II.3.1.1 Concepts de l’AG…………………..21 II.3.1.2 Opérateurs d'évolution…………..22 II.3.2 Optimisation multi-objectif ……24 II.3.2.1 Définition …………….…25 II.3.2.2 Les approches métaheuristiques…...25 II.4 NSGA II …………………………32 II.4.1 L’algorithme NSGA-II………………33 II.4.2 Description détaillée de NSGA-II………..35 II.4.2.1 Initialisation de population………...35 II.4.2.2 Tri non dominé…………..36 II.4.2.3 Distance crowding ………………37 II.4.2.4 Sélection………………38 II.4.3 NSGA III …………………39 II.5 La classification ……...42 II.5.1 Gradient Tree Boost ………42 II.5.2 AdaBoost ….43 II.5.3 XGBoost ……44 II.6 Présentation de l’algorithme AdaBoost ….45 II.7 Conclusion….46 CHAPITRE III : Modélisation d’un système d’aide a la décision pour la prédiction de Covid 19 basée sur NSGA II47 III.1 Introduction …………47 III.2 NSGA-II pour la prédiction de COVID-19 en utilisant les symptômes des patients……47 III.3 Conception globale ………….47 III.4 Conception détaillée………………………………………………49 III.4.1 Phase d’apprentissage ……………………..49 III.4.2. Modélisation de l’individu……………...50 III.4.3 Sélection …………… III.4.4.1 Procédure de Croisement………52 III.4.4.2 Procédure de Mutation ……54 III.5 Phase de concaténation ..56 III.6 Phase de validation56 III.7 Phase de calcul des fonctions d’objectives………57 III.8 Phase fast non dominated.58III.9 Distance de crowding …..60 III.10. Phase de Classification ………63 III.11 Phase de test……...63 III.11 Conclusion ……..66 CHAPITRE IV Etude expérimentale et validation……….67 IV.1 Introduction ……….67 IV.2 Présentation des outils et environneme…67 IV.3 Implémentation ……68 IV.3.1 Base de données utilisées …………………...69 IV.3.2 Génération de la population ……….70 IV.3.3. Détection et résolution des problèmes……….71 IV.3.4 Calcul des fonctions de fitness…….72 IV.3.5 Structure stockage…………………..76 IV.3.5.1 Stockage de la valeur fit……………76 IV.3.5.2 Stockage des fronts………………….…77 IV.4 Conclusion………………………………………78 CONCLUSION GENERALE…………………79 ANNEXE……………………………………80 REFERENCES…………………82 |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/763 | Mémoire master | bibliothèque sciences exactes | Consultable |
