http://dspace.centre-univ-mila.dz/jspui/handle/123456789/4582 2026-07-25T04:02:54Z 2026-07-25T04:02:54Z Nour El Houda, OUAMANE http://dspace.centre-univ-mila.dz/jspui/handle/123456789/4646 2026-06-18T14:07:04Z 2026-06-01T00:00:00Z

Titre: Quantum Machine Learning Applied To Natural Language Processing Auteur(s): Nour El Houda, OUAMANE Résumé: Avec l’expansion continue des réseaux sociaux, les internautes partagent leurs pensées et points de vue via divers supports, comme les textes. Malgré cette participation active, l’analyse des sentiments demeure un défi majeur en raison du volume important de textes provenant de sources diverses. Elle a suscité un intérêt considérable dans le domaine de traitement automatique du langage naturel (NLP). Elle offre des informations précieuses sur l’opinion publique, les retours clients et les expériences utilisateurs. Par ailleurs, la mécanique quantique a transformé notre compréhension de l’environnement, et l’une de ses branches, l’apprentissage automatique quantique (QML), qui a démontré des résultats théoriques précis et cohérents. Cependant, les approches QML appliquées à l’analyse des sentiments restent encore au stade théorique. Dans cette thèse, nous nous concentrons sur l’évaluation d’une approche de QML, à savoir les réseaux de neurones convolutifs quantiques (QCNN), pour la classification des critiques de films. Ce modèle représente une conception de réseau de neurones quantiques inspirée des réseaux de neurones convolutifs (CNN) et utilisant exclusivement des circuits quantiques paramétrés. De plus, nous étudions comment différents modèles QCNN, distingués par le nombre de qubits utilisés et les structures des circuits quantiques paramétrés, peuvent améliorer les erformances de la classification des sentiments sur des ensembles de données artificiels et réels de critiques de films. Description: As social networking platforms continue to grow, users increasingly share their thoughts and opinions through various forms of text. Despite this active engagement, sentiment analysis remains a significant challenge due to the vast volume of textual data generated from diverse sources. This task has gained considerable attention within the field of Natural Language Processing (NLP), as it provides valuable insights into public opinion, user experiences, and customer feedback. Meanwhile, quantum mechanics has reshaped our understanding of the world, and one of its emerging branches Quantum Machine Learning (QML) has shown promising theoretical results. However, the application of QML in sentiment analysis is still limited and remains largely at an xperimental or theoretical stage. In this thesis, we evaluate one such QML approach: Quantum Convolutional Neural Networks (QCNNs) for movie review classification. QCNNs are quantum neural network architectures inspired by classical Convolutional Neural Networks (CNNs), but implemented entirely using parameterized quantum circuits. We investigate how different QCNN configurations with different number of qubits and structure of their parameterized circuits affect sentiment classification performance on both artificial and real movie review datasets.

2026-06-01T00:00:00Z Nada, Zendaoui http://dspace.centre-univ-mila.dz/jspui/handle/123456789/4610 2026-05-25T09:28:20Z 2026-05-01T00:00:00Z

Titre: Intelligent System for Telemonitoring Healthcare in Pandemic Situations Auteur(s): Nada, Zendaoui Résumé: The COVID-19 pandemic has revealed critical weaknesses in global healthcare systems, particularly in their ability to ensure continuity of patient care under emergency conditions. This thesis addresses this challenge by proposing an intelligent, explainable, and generalizable framework for long-term remote patient monitoring in large-scale healthcare environments. Although COVID-19 serves as the primary case study, the proposed approach is designed to support a wide range of health monitoring scenarios requiring resilient and connected infrastructures. This research begins with an in-depth analysis of telemedicine models, intelligent healthcare systems, and health crisis management strategies, highlighting major limitations most notably the lack of continuous and personalized long-term monitoring for vulnerable populations. Based on these findings, a global architecture, AI-LMS, dedicated to long-term patient monitoring, is proposed. This architecture integrates several complementary components, including AI-RiskX, an explainable deep learning model combining CNN and LSTM architectures with SHAP-based analysis for risk stratification and early detection of critical onditions, as well as NS-Assist, a knowledge-based decision support system applied to pediatric nephrotic syndrome, demonstrating the practical applicability of the proposed framework in real-world clinical settings. Together, these components form a unified ecosystem that integrates data-driven intelligence, explainability, and clinical reasoning. The results demonstrate that the integration of explainable AI-driven remote monitoring systems can improve continuity of care, strengthen trust between patients and clinicians, and enhance the resilience of healthcare systems. This thesis thus contributes to the development of a new generation of intelligent healthcare systems that are explainable, ethical, and adaptable to diverse clinical contexts. Description: La pand´emie de COVID-19 a mis en ´evidence les limites des syst`emes de sant´e traditionnels, notamment en mati`ere de continuit´e du suivi m´edical dans des contextes critiques. Cette th`ese vise `a r´epondre `a cette probl´ematique en proposant un syst`eme intelligent, explicable et g´en´eralisable, d´edi´e au suivi m´edical `a distance des patients sur le long terme dans des environnements de sant´e `a grande ´echelle.Ce travail repose sur une analyse approfondie des approches de suivi m´edical `a distance, des syst`emes de t´el´esurveillance m´edicale et des strat´egies de gestion des crises sanitaires, tout en mettant en ´evidence leurs principales limites, notamment l’absence d’un suivi continu et personnalis´e pour les populations les plus vuln´erables. Dans ce cadre, une architecture globale, AILMS, d´edi´ee au suivi m´edical `a long terme, a ´et´e con¸cue. Cette architecture int`egre plusieurs composantes compl´ementaires, notamment AI-RiskX, un mod`ele d’apprentissage profond explicable combinant des r´eseaux CNN et LSTM ainsi que la m´ethode SHAP, permettant la classification des risques et la d´etection pr´ecoce des situations critiques, ainsi que NS-Assist, un syst`eme d’aide `a la d´ecision bas´e sur les connaissances, appliqu´e au domaine des maladies r´enales p´ediatriques. Cette organisation met en ´evidence la modularit ´e et la capacit´e d’adaptation de l’architecture propos´ee `a des contextes cliniques vari´es. L’ensemble constitue un echosysteme int´egr´ee combinant analyse de donn´ees, explicabilit´e et raisonnement clinique. Les r´esultats montrent que l’int´egration de syst`emes intelligents de t´el´esurveillance m´edicale fond´es sur une intelligence artificielle xplicable permet d’am´eliorer la continuit´e des soins, de renforcer la confiance entre le patient et le m´edecin et d’accroˆıtre la r´esilience des syst`emes de sant´e. Ainsi, cette th`ese contribue au d´eveloppement d’une nouvelle g´en´eration de syst`emes de sant´e intelligents, explicables, ´ethiques et adaptables `a divers ontextes m´edicaux.

2026-05-01T00:00:00Z BOUZERAA, Yehya http://dspace.centre-univ-mila.dz/jspui/handle/123456789/4589 2026-03-09T08:36:18Z 2026-03-01T00:00:00Z

Titre: An Intelligent Approach to Wild Fire Prediction Auteur(s): BOUZERAA, Yehya Résumé: Wildfires have intensified across the Mediterranean under compounding heatwaves, drought,and human pressure, making a shift from reaction to prevention essential. This thesis develops an operational wildfire susceptibility mapping (WSM) framework for Jijel Province (Algeria) that integrates Geographic Information Systems (GIS) and machine learning. Fourteen conditioning factorstopography (elevation, slope, aspect), limate (minimum, maximum, and average temperature, humidity, wind speed, precipitation), vegetation Normalized Difference Vegetation Index, NDVI), and anthropogenic pressure (distance to roads and ttlements) are harmonized on a 30,m grid and linked with civil protection fire records, yielding an analysis-eady matrix of approximately 2.6 million samples. Collinearity screening (maximum Variance Inflation Factor, VIF = 7.58; minimum tolerance = 0.11) and light k-means denoising of the Low class improve model stability.We train andom Forest (RF), Extreme Gradient Boosting (XGBoost), a shallow Neural Network (NN), and Support Vector Machine (SVM) models with class balancing and probability calibration. On the internal holdout set, RF attains an Area Under the Receiver Operating Characteristic Curve (AUC) of 0.99 and an F1-score of 0.98, with XGBoost and NN performing similarly, and SVM showing solid performance (AUC = 0.94). Continuous sceptibility scores are calibrated and discretized into five classes (LowVery High). Independent time-forward validation overlays wildfire occurrences from 20242025 (Civil Protection records and Moderate Resolution Imaging Spectroradiometer, MODIS, data) on the susceptibility maps: 87.73The outputscalibrated probability surfaces, clearly legended risk classes, and uncertainty layersare suitable for integration into web-based GIS dashboards to support resource prepositioning, fuel-break maintenance at the wildlandurban interface (WUI), and thresholdbased early warning systems. Limitations (sparse meteorological stations and ignition geolocation uncertainty) and targeted improvements (denser in situ sensing and spatially blocked cross-validation) are discussed. The framework is transferable to similar Mediterranean environments Description: Les incendies de forêt se sont intensifiés dans le bassin méditerranéen sous leffet combiné des vagues de chaleur, des déficits hydriques et de la pression humaine, imposant un basculement de la réaction vers la prévention. Cette thèse propose un cadre opérationnel de cartographie de la susceptibilité aux feux de forêt (Wildfire Susceptibility Mapping, WSM) pour la wilaya de Jijel (Algérie), fondé sur lintégration des Systèmes dInformation Géographique (SIG) et de lapprentissage automatique. Quatorze facteurs de nnementtopographie (altitude, pente, exposition), climat (températures minimale, maximale et moyenne, humidité, vent, précipitations), végétation (Indice de Végétation par Différence Normalisée, NDVI) et pression anthropique (distance aux routes et aux zones habitées)sont harmonisés sur une grille de 30,m et croisés avec les enregistrements de la Protection Civile, produisant une matrice danalyse denviron 2,6 millions échantillons. Le criblage de la colinéarité (Facteur dInflation de la Variance maximal, VIF = 7,58 ; tolérance minimale = 0,11) et un léger débruitage par k-means de la classe Faible améliorent la stabilité des modèles. Nous entraînons des modèles de Forêt Aléatoire (Random Forest, RF), dExtreme Gradient Boosting (XGBoost), de réseau de neurones peu profond (NN) et de Machine à Vecteurs de Support (Support Vector Machine, SVM), avec équilibrage des classes et calibration probabiliste. En validation interne, le modèle RF atteint une Aire Sous la Courbe ROC (AUC) de 0,99 et un score F1 de 0,98 ; XGBoost et le réseau de neurones présentent des erformances comparables, tandis que le SVM demeure robuste (AUC = 0,94). Les scores continus de susceptibilité sont calibrés puis discrétisés en cinq classes (Faible à Très Élevée). Une validation indépendante time-forward superpose les occurrences de feux de 20242025 (Protection Civile et données du radiomètre MODIS Moderate Resolution Imaging Spectroradiometer) aux cartes produites : 87,73, Les sortiessurfaces de probabilité calibrées, classes de risque clairement légendées et couches dincertitudesont prêtes pour une intégration dans des tableaux de bord web-SIG afin de soutenir le pré-positionnement des ressources, ntretien des interfaces forêturbain (WildlandUrban Interface, WUI) et les systèmes dalerte précoce à seuils. Les limites (réseau de stations météorologiques clairsemé, incertitudes de géolocalisation des départs de feu) et les pistes damélioration (densification des capteurs in situ, validation croisée spatiale bloquée) sont discutées ; le cadre proposé est transférable à dautres contextes méditerranéens

2026-03-01T00:00:00Z BOUDI, Raid http://dspace.centre-univ-mila.dz/jspui/handle/123456789/4583 2026-02-09T10:14:08Z 2026-02-01T00:00:00Z

Titre: SDN-based Solutions for Improving Network Performance Auteur(s): BOUDI, Raid Résumé: The integration of Software-Defined Networking (SDN) into the Internet of Things (IoT) offers a promising solution to address the growing challenges of scalability, complexity, and flexibility in modern networks. owever, this convergence introduces significant management challenges, particularly regarding performance, latency reduction, and resilience. A critical issue is the Controller Placement Problem (CPP), which directly impacts the efficiency of Software-Defined Internet of Things (SD-IoT) networks and becomes more complex in erogeneous environments with dynamic traffic and load variations, especially in mission-critical applications like healthcare and autonomous transport. This thesis proposes a set of SDN-based approaches to improve Software-Defined IoT (SD-IoT) network performance by addressing the Controller Placement Problem (CPP). First, the rogeneous Traffic Flow–based Controller Placement (HTF-CP) method optimizes controller locations by accounting for traffic diversity under flexible deployment assumptions. Second, a population-aware SD-IoT architecture for the Algerian network is introduced, combining K-means clustering with enhanced K-center and K-median algorithms to incorporate population-weighted traffic demands. Third, a Weighted Betweenness Centrality–based approach (WBC-CPP) identifies influential nodes to enable efficient and load-aware controller placement with reduced search space. This approach is further enhanced through the integration of Grey Wolf Optimization (GWO), resulting in the GWO-WBC-CPP method, which considers the dynamic nature of IoT traffic over time. Finally, the Particle Swarm Optimization with Heterogeneous Switch Load (PSO-HSL) method applies a meta-heuristic strategy to jointly optimize latency and reliability while avoiding exhaustive search. The effectiveness of these approaches is validated through extensive simulations on realistic network opologies (Internet Topology Zoo and OS3E), a newly designed population-aware Algerian network, and synthetic topologies for scalability analysis. The results show notable performance gains in terms of latency, load balancing, reliability, and overall network efficiency when compared to conventional CPP and baseline SDN placement methods Description: L'intégration du réseau défini par logiciel (SDN) dans l'Internet des Objets (IoT) offre une solution prometteuse pour relever les défis croissants de l'évolutivité, de la complexité et de la flexibilité des réseaux modernes. Cependant, cette convergence introduit des défis de gestion significatifs, notamment en ce qui concerne les performances, la réduction de la latence et la résilience. Un problème critique est le problème de placement des contrôleurs (CPP), qui impacte directement l'efficacité des réseaux IoT définis par logiciel (SD-IoT) et devient plus complexe dans des environnements hétérogènes avec un trafic dynamique et des variations de charge, en particulier dans les applications critiques comme la santé et le transport autonome. Cette thèse propose un ensemble d’approches basées sur le SDN visant à améliorer les performances des réseaux SD-IoT en traitant le problème de placement des contrôleurs. Dans un premier temps, la méthode de Placement de Contrôleurs basé sur les Flux de Trafic Hétérogènes (HTF-CP) optimise la position des contrôleurs en tenant compte de l’hétérogénéité des flux de trafic et d’une installation flexible des contrôleurs dans le réseau. nsuite, une architecture SD-IoT sensible à la population est proposée pour le réseau algérien, en combinant le clustering K-means avec des versions améliorées des algorithmes K-center et K-median, afin d’intégrer des demandes de trafic pondérées par la population. Par ailleurs, une approche basée sur la centralité termédiarité pondérée (WBC-CPP) est introduite pour identifier les noeuds les plus influents et permettre un placement efficace et équilibré des contrôleurs tout en réduisant l’espace de recherche. Cette approche est ensuite renforcée par l’intégration de l’algorithme Grey Wolf Optimization (GWO), donnant naissance à la éthode GWOWBC- CPP, qui prend également en compte le caractère dynamique du trafic IoT au niveau des commutateurs. Enfin, la méthode d'Optimisation par Essaims de Particules avec Charge Hétérogène des Commutateurs (PSO-HSL) introduit une approche méta-heuristique qui optimise le placement des contrôleurs à la fois pour la latence et la fiabilité, tout en évitant la surcharge de la recherche exhaustive. Les performances des approches proposées sont évaluées à l’aide de simulations sur des topologies réalistes (Internet Topology Zoo et OS3E), un nouveau réseau algérien sensible à la population, ainsi que des topologies synthétiques pour analyser la scalabilité. Les résultats obtenus montrent des améliorations notables en termes de latence, d’équilibrage de charge, de fiabilité et de performance globale du réseau, par rapport aux méthodes classiques de placement des contrôleurs et aux approches SDN de référence

2026-02-01T00:00:00Z