Browsing by Author "Bensiah, Oussama Akram"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    La Proposition d'une nouvelle approche basée Deep learning pour la prédiction du cancer du sain
    (Univérsité Oum El Bouaghi, 2020) Bensiah, Oussama Akram; Berkane, Mohamed
    Le cancer du sein est le type de cancer le plus courant chez les femmes, et il est la deuxième cause de décès par le cancer chez les femmes après le cancer des poumons. Cependant, la détection précoce du cancer du sein permet une réduction significative de la mortalité, ainsi que la sensibilisation aux symptômes et aux signes. L'intelligence artificielle est largement utilisée dans la vie quotidienne et dans de nombreux domaines différents tels que l'industrie, l'automatisation et les systèmes experts, la médecine et la biologie, l'éducation et même les jeux vidéo. L'apprentissage profond est l'une des branches les plus importantes et les plus exploitées de l'apprentissage automatique. Grâce à son succès, il a réalisé un saut quantique dans le domaine de l'intelligence artificielle. Par conséquent, il est devenu le domaine le plus important dans le monde de l'informatique. L'apprentissage profond est basé sur l'apprentissage et l'acquisition d'expériences. Il simule la façon dont les humains pensent et apprennent. Les réseaux de croyances profondes (DBN) et les Machines Boltzmann restreintes (RBM) sont considérés comme l'un des premiers réseaux d'apprentissage en profondeur. Ils ont donné des résultats très efficaces, en particulier dans le processus reconnaissance des formes, la classification et la régression. Dans ce travail, nous nous sommes intéressés par la proposition d'une nouvelle approche basée sur une branche d'intelligence artificielle qui est " l'apprentissage profond semi-supervisée ", pour la prédiction du cancer du sein. Cette approche est basée sur l'utilisation de deux types des réseaux pré-entraînés : les réseaux de croyances profondes (DBN) et les Machines Boltzmann restreintes (RBM). Tel que nous avons ajusté la structure du réseau (DBN), en rendant toutes les couches de DBN des machines de Boltzmann restreintes (RBM). Le modèle proposé a été évalué et testé sur la base de données " Brest-cancer-Wisconsin ". Vu les résultats obtenus, qui sont encourageants et prometteurs, nous espérons exploiter le modèle proposé dans une démarche commerciale pour aider à réduire le taux d'erreur dans le diagnostic de la maladie du cancer de sein.