http://localhost:8080/xmlui/handle/123456789/60 Mémoires de master Fri, 10 Apr 2026 22:59:27 GMT 2026-04-10T22:59:27Z http://localhost:8080/xmlui/handle/123456789/35854 Proprietary location system based on cell phone tower signals and located devices Feddamadji, Baya; Amaouche, Lina; Benyahya, Mohamed ( Promoteur); Tiberkak, Allal ( Promoteur) In today's world, the demand for reliable and efficient localization systems has become more important. Traditional systems like GPS often fall short in complex environments such as buildings or conflict zones, where reliable positioning can be challenging. This limitation highlights the need for precise, cost-effective localization solutions that can function seamlessly in various scenarios. To address this gap, we propose a proprietary indoor positioning system based on cell phone tower signals and located devices, offering an alternative that is both reliable and accessible. Our system uses machine learning and deep learning techniques to process data col- lected from various mobile devices. By analyzing signals from cellular towers, it can accurately predict the location of users. This method enhances location accuracy in dif- ferent environments while providing an alternative to traditional GPS systems. Our work addresses the growing demand for reliable location solutions. Keywords: localization systems, indoor positioning, machine learning, deep learning, cellular. ill., Bibliogr. Cote:ma-004-1030 Tue, 02 Jul 2024 00:00:00 GMT http://localhost:8080/xmlui/handle/123456789/35854 2024-07-02T00:00:00Z http://localhost:8080/xmlui/handle/123456789/35839 Architecture Encodeur-Encodeur pour la génération automatique de légendes textuelles des signaux audio Azazi, Khalida; Ourchane, Sara; Kameche, Abdallah Hicham ( Promoteur) L’Automated Audio Captioning (AAC) est une discipline émergente visant à générer automatiquement des descriptions textuelles précises à partir de contenus audio. Le Joint Embedding est une technique utilisée pour projeter des données de différentes modalités (par exemple, audio et texte) dans un même espace vectoriel partagé. L’objectif est de représenter les deux types de données de maniéré `a ce qu’ils soient directement comparables et que leurs relations sémantiques soient préservées dans cet espace commun. Dans ce travail , On propose une approche de Joint Embedding, qui projette les représentations audio et textuelles dans un espace vectoriel commun. Pour encoder les descriptions textuelles,on utilise SBERT, tandis que des architectures spécialisées comme le CNN14 Encoder sont utilisées pour extraire des caractéristiques audio pertinentes à partir des spectrogrammes Mel. On utilise le dataset Clotho, qui propose une variété de clips audio accompagnés de descriptions textuelles, pour développer et évaluer des modèles AAC. Le modèles AAC obtenu peut générer automatiquement des légendes audio de haute qualité à partir du dataset Clotho, ouvrant la voie à de nombreuses applications pratiques dans accessibilité et la recherche multimodale. Mots clés : Réseaux de neurones, traitement de signaux audios, génération automatique de légende pour audio, traitement de langage naturel, projection multimodale.. . . ill., Bibliogr. Cote:ma-004-1028 Mon, 01 Jan 2024 00:00:00 GMT http://localhost:8080/xmlui/handle/123456789/35839 2024-01-01T00:00:00Z http://localhost:8080/xmlui/handle/123456789/33336 Business Intelligence And Machine Learning Platform For Enhanced Project Management at SONATRACH Assameur, Aymen Abdechafi; Meguenni, Aymen; Chikhi, Nacim Fateh ( Promoteur); Bouhidel, Sofiane ( Encadreuer); Ould Khaoua, Toufik Since 1963, Sonatrach has been the leading gas and petroleum company in Algeria. As part of its digital transformation efforts, Sonatrach identified the need for a modernized project management system to enhance operational efficiency and data security. This thesis presents a comprehensive web platform tailored to Sonatrach’s needs, integrating Business Intelligence (BI) and Machine Learning (ML) technologies. Our solution features dynamic BI dashboards with Tableau for improved decision-making and ML models for project classification. The platform streamlines information flow, improves data accessibility, and ensures robust data security, positioning Sonatrach ahead in the competitive petroleum industry. This work underscores the transformative potential of modern technologies in project management and offers a foundation for future enhancements. Keywords: Business Intelligence, Machine Learning, Project Management, Sonatrach, Digital Transformation, Dashboards, Web Platform, Tableau ill., Bibliogr. Cote:ma-004-1029 Tue, 02 Jul 2024 00:00:00 GMT http://localhost:8080/xmlui/handle/123456789/33336 2024-07-02T00:00:00Z http://localhost:8080/xmlui/handle/123456789/33331 Génération de forme 3D en utilisant une architecture encoder-encoder Otmane Telba, Amina; Seghiri, Ihcene; Kameche, A.H. (Promoteur) De nos jours, la modélisation 3D est devenu l’un des domaines les plus régnant, allant des applications médicales essentielles aux domaines de divertissement comme les jeux vidéo et les effets visuels pour le cinéma. Cependant, la création manuelle de modèles 3D complexes est une tâche fastidieuse et chronophage, nécessitant des compétences et une expertise considérable en matière de logiciels de modélisation 3D. L'objectif de ce projet est de développer une approche innovante permettant de générer automatiquement des modèles 3D à partir d'une simple description textuelle. Cette méthode vise à faciliter et à accélérer le processus de modélisation 3D, en offrant aux utilisateurs la possibilité de créer des formes 3D complexes en fournissant simplement une description textuelle de l'objet souhaité. Grâce à des techniques d'intelligence artificielle, de traitement automatique du langage naturel (NLP) et d'apprentissage automatique, notre système analyse les descriptions textuelles fournies et génère des modèles 3D correspondants. Pour réaliser cela, nous devons passer par deux méthodes principales. La première utilise un réseau générateur conditionnel (CGAN) avec du bruit pour générer les modèles à partir de deux datasets : ShapeNet, basé sur les meubles et les chaises, et Primitives, contenant des formes simples telles que les cubes. La seconde méthode repose sur des modèles de diffusion appliqués à ces mêmes datasets. Mots clé: Modélisation 3D, description textuelle, intelligence artificielle, traitement automatique du langage naturel(NLP), CGAN.ShapeNet. ill., Bibliogr. Cote:ma-004-1027 Mon, 01 Jul 2024 00:00:00 GMT http://localhost:8080/xmlui/handle/123456789/33331 2024-07-01T00:00:00Z