Sujet numéro 1 :

L’apprentissage profond démontrait une grande précision et des améliorations de

performances. L’apprentissage automatique permet l’analyse des données et la reconnaissance
des formes, essentielles pour prédire et contrôler la propagation mondiale du COVID-19. Les
études de Li et al., Kumar et al. et Pandey et al. Présenter le potentiel du ML pour prévoir les
cas et éclairer les décisions stratégiques. Le système peut être résumé dans les étapes
suivantes : Le processus commence par la collecte d’images radiographiques pulmonaires de
patients atteints de COVID-19 et d’individus en bonne santé, suivies par la génération de
1 000 images augmentées. Ces images sont ensuite représentées dans un espace de
fonctionnalités et soumises à un apprentissage profond. L'ensemble de données est divisé en
ensembles de formation et de validation, et les performances du détecteur sont évaluées sur
l'ensemble de données de validation. Deux ensembles de données, originaux et augmentés,
ont été utilisés dans l'évaluation, comprenant des images radiographiques pulmonaires
d'individus en bonne santé et de patients atteints de COVID-19. L'ensemble de données
original, composé de 128 images, provenait de Kaggle et, en raison d'une disponibilité
limitée, un ensemble de données augmenté de 1 000 images a été généré à l'aide de techniques
d'augmentation des données. L'augmentation des données est essentielle pour améliorer la
diversité des ensembles de données, remédier au déséquilibre des classes et améliorer les
performances des modèles dans les applications d'apprentissage automatique. L’étude a évalué
l’impact du COVID-19 dans diverses régions, prédit les résultats à l’aide d’algorithmes de
prévision de séries chronologiques et démontré la fiabilité d’un modèle d’apprentissage en
profondeur pour la détection du COVID-19 basé sur des images radiographiques pulmonaires.
En outre, le système a utilisé les algorithmes de prévision PA, ARIMA et LSTM pour prédire
les résultats du COVID-19 en Jordanie et en Australie sur la base d'ensembles de données
provenant d'un site Web de statistiques. L'étude recommande l'algorithme PA pour la
prévision du COVID-19, souligne l'impact sur les zones côtières, préconise les images
radiographiques pulmonaires pour le diagnostic avec un détecteur basé sur CNN (de
préférence formé sur des données augmentées) et suggère l'utilisation de techniques de ML
comme VGG16. Pour une précision accrue.

Les Avantages :
1. Précision des tomodensitogrammes : Les tomodensitogrammes fournissent une
imagerie précise, permettant un examen détaillé des structures internes. Cela peut être crucial
pour des diagnostics précis, en particulier dans les cas complexes.
2. Analyses tomodensitométriques basées sur l'IA : L'analyse des tomodensitogrammes
basée sur l'IA a montré une grande précision et sensibilité dans l'identification du COVID-19,
répondant ainsi aux limites des méthodes RT-PCR traditionnelles.
3. Apprentissage automatique pour la prévision mondiale : L'apprentissage
automatique, en particulier sous la forme d'algorithmes de prévision, permet l'analyse des
données et la reconnaissance de formes, aidant ainsi à prédire et à contrôler la propagation
mondiale du COVID-19.
Les inconvénients :
1. Complexité des modèles d'apprentissage automatique : La compréhension et la mise
en œuvre des modèles d'apprentissage automatique peuvent être complexes, nécessitant une
expertise, ce qui pourrait limiter leur adoption généralisée, en particulier dans les régions les
moins avancées technologiquement.
 Sujet numéro 2 :

Le document détaille la création d’un modèle prédictif du COVID-19 utilisant l’IA,

employant le LSTM pour le prétraitement, la formation et l’évaluation des données. Il utilise
un ensemble de données de l’Organisation mondiale de la santé couvrant la période du 22
janvier au 22 juin 2020, englobant les cas confirmés, guéris et mortels. Une attention
particulière est accordée au processus de normalisation, crucial pour le traitement des données
de séries chronologiques par le LSTM. La formation du modèle implique des réseaux de
neurones artificiels (ANN) et des réseaux de neurones récurrents (RNN), en particulier le
LSTM. L'évaluation des performances est basée sur des mesures telles que le pourcentage
d'erreur absolu moyen, offrant une exploration complète des applications de l'IA dans la
prévision du COVID-19 en mettant l'accent sur le traitement des données et l'évaluation des
modèles. Cet article implémente des modèles LSTM en Python, en tirant parti de
bibliothèques telles que NumPy et Tensorflow pour prédire avec précision les cas récupérés
de COVID-19 en Inde, aux États-Unis et en Italie. L'entraînement sur les données cliniques du
22 janvier au 22 juin 2020, couplé aux prévisions du 22 juin au 29 juin 2020, démontre
l'efficacité du modèle avec une erreur minimale (1,46 % à 2,65 %). Cette étude présente un
modèle de prévision basé sur le LSTM pour prédire les cas guéris de COVID-19 en Inde, aux
États-Unis et en Italie sept jours à l'avance, démontrant des prédictions précises avec une
erreur totale comprise entre 1,46 % et 2,65 %. Le modèle LSTM est présenté comme un outil
prometteur permettant aux praticiens de surveiller la prévalence mondiale du coronavirus, ce
qui suggère une applicabilité potentielle à d’autres épidémies comme la grippe et Ebola dans
les recherches futures.
Avantages :
1. Prédictions précises : L'utilisation de modèles LSTM dans cette étude démontre une
grande précision dans la prévision des cas guéris de COVID-19, offrant ainsi un outil précieux
pour la prévision de la pandémie en cours.
2. Exploration complète : Le document propose une exploration approfondie des
applications de l'IA dans la prévision du COVID-19, intégrant le traitement des données,
l'évaluation du modèle et des mesures d'évaluation des performances telles que le pourcentage
d'erreur absolu moyen.
1. Dépendance à la qualité des données : L'exactitude des prévisions dépend fortement
de la qualité et de la fiabilité des données d'entrée. Des données inexactes ou incomplètes
peuvent compromettre l'efficacité du modèle prédictif.
Les inconvénients :
2. Complexité et intensité des ressources : L'utilisation des modèles LSTM, ainsi que
des modèles ANN et RNN, introduit de la complexité dans le processus de modélisation
prédictive, et la nature gourmande en ressources de ces méthodes peut poser des problèmes de
mise en œuvre sur des systèmes informatiques moins puissants.