CHAPITRE 2 :

L’apprentissage automatique et
l’apprentissage profond
CHAPITRE 1

1.1 L’intelligence artificielle :

L'intelligence artificielle (IA) vise à rendre les machines aussi intelligentes que
le cerveau humain. En informatique, l'IA désigne l'étude des "agents intelligents" :
tout dispositif qui perçoit son environnement et prend des actions pour maximiser
ses chances d'atteindre ses objectifs avec succès. Informellement, le terme
"intelligence artificielle" est utilisé lorsque qu'une machine est capable d'effectuer
des fonctions que les humains associent à d'autres esprits humains, telles que
"l'apprentissage" et "la résolution de problèmes". L'apprentissage est un aspect
essentiel des machines, ce qui fait que l'apprentissage automatique est un sous-
domaine de l'IA. Les informaticiens ont travaillé sur le domaine de l'apprentissage
automatique depuis les années 1950. Au cours des dernières décennies, d'énormes
efforts ont été déployés dans les avancées de l'apprentissage automatique, ce qui a
suscité des attentes plus élevées vis-à-vis des machines. L’apprentissage profond
est une tentative dans cette direction et il est une sous-catégorie de l'apprentissage
automatique. Le travail sur l'apprentissage s'étend à de nombreux nouveaux
domaines, et l'applicabilité de ces domaines est un travail en cours dans la
communauté de recherche. (Pramila P. Shinde, Seema Shah,2018) [1]
1.2 L’apprentissage automatique (Maching learning) :
Le domaine fascinant de l’apprentissage automatique émerge de diverses
disciplines telles que les statistiques, l'optimisation, l'algorithmique et le
traitement du signal. Il représente un champ d'études en constante évolution qui a
solidement pris sa place dans notre société. Initialement utilisé depuis plusieurs
décennies dans des applications telles que la reconnaissance automatique de
caractères et les filtres anti-spam, l’apprentissage automatique joue désormais un
rôle crucial dans la lutte contre la fraude bancaire, la recommandation de produits
adaptés à nos préférences, la détection faciale sur nos appareils photo, et même la
traduction automatique de textes entre langues. (Chloé-Agathe Azencott, 2022) [2]
L’apprentissage automatique consiste à programmer des ordinateurs pour
optimiser un critère de performance à l’aide d’exemples de données ou d’expériences
passées. Et l’apprentissage est l’exécution d’un programme informatique pour
optimiser les paramètres du modèle en utilisant les données de formation ou
l’expérience passée. Le modèle peut être prédictif pour faire des prédictions dans le
futur, ou descriptif pour acquérir des connaissances à partir de données, ou les
deux. (A.Senthilselvi et al , 2021)[2]
À l’avenir, l’apprentissage automatique devrait jouer un rôle majeur dans
l’amélioration de la sécurité routière, notamment grâce aux véhicules autonomes. Il
pourrait également contribuer à renforcer les interventions d’urgence face aux
catastrophes naturelles, faciliter le développement de nouveaux médicaments, et
accroître l’efficacité énergétique de nos bâtiments et industries. (Chloé-Agathe
Azencott, 2022) [2]
 2.1 Type de méthodes de l’apprentissage automatique :
Il existe 3 méthodes de l’apprentissage automatique :

2.1.1 L’apprentissage supervisé : L’apprentissage supervisé est la tâche

d’apprentissage automatique consistant à apprendre une fonction qui mappe
une entrée à une sortie sur la base d’exemples de paires entrée-sortie. Dans
l’apprentissage supervisé, chaque exemple de l’ensemble d’apprentissage est une
paire composée d’un objet d’entrée (généralement un vecteur) et d’une valeur de
sortie.
Un algorithme d’apprentissage supervisé analyse les données d’entraînement et
produit unefonction qui peut être utilisée pour cartographier de nouveaux
exemples. Dans le cas optimal, la fonction déterminera correctement les étiquettes
de classe pour les instances invisibles. La figure (1) montre un modèle de
l’apprentissage supervisé : (A. Senthilselvi,2021) [2]

Figure 1 Modèle de l'apprentissage supervisé

Parmi les méthodes de l’apprentissage supervisé on a :

2.1.1.1 La classification : il existe plusieurs algorithmes de classification,
parmi ces algorithmes on a :
 La classification linéaire : La classification consiste à regrouper des vecteurs
d’entrée en différentes classes en utilisant des frontières de décision linéaires
(ou des hyperplans). L’objectif de la classification dans les classifieurs linéaires
en apprentissage automatique est de regrouper des éléments ayant des valeurs
de caractéristiques similaires dans des groupes. (Awodele O et al,2017) [3]
 Support Vector Machines (SVMs) : Les machines à vecteurs de support (SVM)
sont considérées comme l’une des techniques les plus récentes en
apprentissage supervisé. Les modèles SVM sont étroitement liés aux réseaux
de neurones multicouches classiques. Les SVM reposent sur la notion de
« marge » – de chaque côté d’un hyperplan qui sépare deux classes de données.
Maximiser la marge et ainsi créer la distance le plus grand possible entre
l’hyperplan de séparation et les instances de chaque côté a été prouvé pour
réduire une borne supérieure sur l’erreur de généralisation attendue. En
d’autres termes, les SVM cherchent à trouver un hyperplan qui maximise la
séparation entre les classes, ce qui permet de réduire l’erreur de prédiction sur
de nouvelles données. (Awodele O et al,2017) [3]
2.1.1.2 La régression : est utiliser pour faire des prédictions continues, il existe
plusieurs algorithmes de régression, parmi ces algorithmes on a :
 La régression linéaire : Régression linéaire, un algorithme d’apprentissage
supervisé vise à prédire le résultat à valeur réelle. Il est utilisé pour prédire
une réponse B à partir de la variable prédictive A. L’hypothèse est qu’il existe
une relation linéaire entre A et B. Cet algorithme est une méthode
paramétrique et donne des valeurs numériques en sortie. La fonction de coût
est un exemple de régression dans laquelle nous entraînons la machine avec les
données étiquetées et prédit le prochain coût de la maison en tant que sortie en
valeur réelle (SUDEEP TANWAR et al, 2019) [4]. La forme mathématique de
l’équation est la suivante :
y = β0 + β1x1 + β2x2 +···+ βn xn, où y représente la valeur
prédite.

Figure 2 : Graphe de régression linéaire

2.2 L’apprentissage non supervisé :

L’apprentissage non supervisé est ainsi appelé car, contrairement à
l’apprentissage supervisé mentionné précédemment, il n’y a pas de réponses
correctes ni de professeur. Les algorithmes sont laissés à eux-mêmes pour découvrir
et présenter les structures intéressantes dans les données. Les algorithmes
d’apprentissage non supervisé apprennent des caractéristiques à partir des
données. Lorsque de nouvelles données sont introduites, ils utilisent les
caractéristiques précédemment apprises pour reconnaître la classe des données.
L’apprentissage non supervisé est principalement utilisé pour le regroupement
(clustering) et la réduction de caractéristiques (Batta Mahesh,2020) [6]. Parmi les
algorithmes de l’apprentissage non-supervisé on a :

 K-means Clustering :
Le clustering ou regroupement K-means est un algorithme d’apprentissage
non supervisé qui crée automatiquement des groupes ou des clusters lorsqu’il est
lancé. Les données possédant des caractéristiques similaires sont regroupées
dans le même cluster. L’algorithme est nommé K-means car il crée K-groupes
distincts. L’objectif est de présenter les K- centroïdes, un centroïde pour le
Machine Learning : une revue des algorithmes et de ses applications.la figure (4)
montre un modèle de clustering : (Pradeep Kumar Singh,2019) [7]
 Figure 3 : Variance inégale

 Analyse des composants principaux :

Dans l’analyse en composantes principales ou PCA, la dimension des données
est réduite pour rendre les calculs plus rapides et plus faciles. Pour comprendre le
fonctionnement de la PCA, prenons un exemple de données 2D. Lorsque les
données sont tracées dans un graphique, elles occuperont deux axes. PCA est
appliqué sur les données, les données seront alors 1D. Ceci est expliqué sur la
figure 4 (Ayon Dey,2016).[8]

Figure 4 : Visualisation des données avant et

après l’application de la PCA
2.3 L’apprentissage par renforcement :
L’apprentissage par renforcement est un domaine de l’apprentissage
automatique qui concerne la manière dont les agents logiciels doivent
entreprendre des actions dans un environnement afin de maximiser une
certaine notion de récompense cumulative.
L’apprentissage par renforcement est l’un des trois paradigmes de base de
l’apprentissage automatique, aux côtés de l’apprentissage supervisé et de
 l’apprentissage non supervisé.
(Ayon Dey,2016) [8]

Figure 5 : Le modèle d’apprentissage par renforcement

2.2 L’apprentissage profond :
L’apprentissage profond (Deep Learning) est une sous-catégorie de
l’apprentissage automatique qui tente d’apprendre des abstractions de haut niveau
dans les données en utilisant des architectures hiérarchiques. C’est une approche
émergente qui a été largement appliquée dans des domaines traditionnels de
l’intelligence artificielle, tels que l’analyse sémantique, le transfert d’apprentissage,

Figure 6 Une vue d'ensemble de l'architecture d'un réseau de neurones convolutifs (CNN) et du processus d'entraînement

le traitement du langage naturel, la vision par ordinateur, et bien d’autres. Il existe

principalement trois raisons importantes pour l’essor du L’apprentissage profond
aujourd’hui : l’augmentation spectaculaire des capacités de traitement des puces
(par exemple, les unités de traitement graphique), la baisse significative du coût du
matériel informatique et les avancées considérables dans les algorithmes
d’apprentissage automatique. (Yanming Guo et al,2015) [9]

3.1 Méthodes de l’apprentissage profond : Les méthodes de l’apprentissage

profond peuvent être divisées en quatre catégories principales :

3.1.1 Les réseaux de neurone convolutionnelles (CNN) : Les CNN

sont des modèles d’apprentissage profond conçus pour traiter des données en
grille, comme les images. Ils apprennent automatiquement des hiérarchies de
caractéristiques en utilisant de couches de convolution, de pooling et
entièrement connectées. Les couches de convolution appliquent des opérations
mathématiques, comme la convolution, pour extraire des caractéristiques à
partir des images. Les caractéristiques extraites deviennent progressivement
plus complexes à mesure qu’elles passent à travers les couches. L’entraînement
des CNN consiste à optimiser les paramètres, tels que les noyaux, en
minimisant la différence entre les sorties prédites et les étiquettes réelles à
l’aide de la rétropropagation et de la descente de gradient. (R Yamashita et al.
2018)[10] La figure (3) montre l’architecture d’un réseau de neurones
convolutifs (CNN) : (R Yamashita et al,2018)

3.1.2 Les Machines de Boltzmann Restreintes (RBM) :

Une Machine de Boltzmann Restreinte (RBM) est un réseau neuronal
stochastique génératif. Une RBM est une variante de la Machine de Boltzmann
avec la restriction que les unités visibles et les unités cachées doivent former un
graphe bipartite. Cette restriction permet d’utiliser des algorithmes
d’entraînement plus efficaces, en particulier l’algorithme de divergence contrastive
basé sur les gradients. (M.A. Carreira-Perpinan et G.E. Hinton,2005) [11]

3.1.3 Les Auto encodeurs :

L’auto encodeur est un type particulier de réseau neuronal artificiel
utilisé pour apprendre des encodages efficaces. Au lieu d’entraîner le réseau à
prédire une valeur cible Y à partir des entrées X, un auto encodeur est entraîné à
reconstruire ses propres entrées X. Ainsi, les vecteurs de sortie ont la même
dimension que le vecteur d’entrée. La figure 7 montre le pipline d’un auto
encodeur : (Yanming Guo et al,2015) [9]

Figure 7 Pipeline d'un auto encodeur

3.1.4 Codage Epars : Le but du codage parcimonieux (sparse coding) est

d’apprendre un ensemble surcomplet de fonctions de base pour décrire les
données d’entrée. Le codage parcimonieux présente de nombreux avantages :
 Il permet de reconstruire le descripteur de manière plus précise en utilisant
plusieurs bases et en capturant les corrélations entre des descripteurs
similaires qui partagent des bases.
 La parcimonie permet à la représentation de capturer les propriétés
saillantes des images.
 Cela est en accord avec le système visuel biologique, qui soutient que les
caractéristiques parcimonieuses des signaux sont utiles pour
l’apprentissage.
 Les études sur les statistiques des images montrent que les patchs
d’images sont des signaux parcimonieux.
 Les motifs présentant des caractéristiques parcimonieuses sont plus
linéairement séparables. (Yanming Guo et al,2015) [9]

3.2 Application de l’apprentissage profond : l’apprentissage profond a de

nombreuses applications variées et impactantes. Voici quelques exemples de ces
applications :

3.2.1 Classification des images : Avant l’apprentissage profond, la

classification d’images était principalement basée sur les sacs de mots visuels
(BoW) et les statistiques de premier ordre. Ces méthodes utilisaient des
histogrammes de mots visuels quantifiés pour représenter les images et des
classificateurs tels que les SVM pour effectuer la classification. Cependant, ces
approches ne prenaient en compte que des informations de premier ordre et
négligeaient des détails importants de l’image. L’introduction de l’apprentissage
profond, en particulier des réseaux de neurones convolutionnels (CNN), a
révolutionné la classification d’images. Les CNN sont capables d’apprendre des
représentations hautement discriminatives à partir des données brutes de
l’image. L’AlexNet, un CNN développé en 2012, a marqué un tournant majeur en
remportant une compétition de classification avec un taux d’erreur
impressionnant. Depuis lors, les CNN ont continué à progresser. Des stratégies
d’augmentation de données ont été développées pour améliorer les performances
de classification en augmentant la taille et la diversité des ensembles de données
d’entraînement. Les architectures de CNN sont devenues plus profondes et plus
complexes, ce qui a également contribué à des améliorations significatives des
performances. En résumé, l’apprentissage profond, en particulier les CNN, a
surpassé les méthodes traditionnelles de classification d’images en utilisant des
descripteurs plus discriminatifs et des architectures plus profondes. Les progrès
dans les CNN ont été soutenus par l’utilisation de stratégies d’augmentation de
données et de modèles plus avancés. Cette évolution a révolutionné la manière
dont les images sont classifiées et a ouvert la voie à de nombreuses avancées dans
le domaine. (Yanming Guo et al,2015) [9]

3.2.2 Détection des objets : Avant l’apprentissage profond, la détection

d’objets utilisait généralement le modèle à parties déformables (DPM).
Cependant, les méthodes basées sur l’apprentissage profond, telles que le schéma
RCNN, ont apporté une amélioration significative des performances. Les réseaux
de neurones convolutifs (CNN) sont couramment utilisés pour la détection
d’objets, générant des boîtes englobantes pour chaque objet identifié. Les
approches dérivées de RCNN se divisent en deux catégories principales : celles qui
cherchent à accélérer la détection tout en maintenant une précision élevée, et
celles qui visent à améliorer la précision en abordant la qualité des hypothèses
sur les objets. Des techniques combinant détection d’objets et segmentation
sémantique ont également émergé pour améliorer la localisation précise des
objets. Cependant, l’extension de la détection d’objets à un grand nombre de
catégories reste un défi en raison du manque de données étiquetées. Des travaux
ont exploré le transfert de connaissances à partir de classificateurs existants ou
l’apprentissage à partir de données faiblement étiquetées ou non étiquetées pour
relever ce défi. En résumé, l’apprentissage profond a considérablement amélioré
la détection d’objets. Les CNN sont largement utilisés et ont permis des avancées
majeures dans ce domaine. La combinaison de la détection d’objets et de la
segmentation sémantique ainsi que l’utilisation de techniques d’apprentissage
non supervisé sont des domaines de recherche actifs dans ce domaine. (Yanming
Guo et al,2015) [9].
Il existe aussi autres applications qu’on peut mentionner :
 De nos jours, Google Maps utilise l’intelligence artificielle de DeepMind pour
prédire l’heure d’arrivée, et cette technologie est adoptée par les entreprises du
secteur public pour la cybersécurité avec la propagation de la nouvelle norme
COVID-19. Beattie et al. (2020) ont présenté DeepMind Lab2D, un simulateur
qui offre un environnement évolutif pour la recherche en intelligence
artificielle. (C. Beattie et al,2020) [12]
 Google, en collaboration avec la société Improbable, recrée le monde réel avec
la réalité augmentée (RA). Par exemple, un système de navigation amélioré
utilise la RA pour superposer l’itinéraire sur la vue en direct de la route. Les
agents au sol de l’aéroport de Singapour utilisent des lunettes à réalité
augmentée pour obtenir plus d’informations sur les conteneurs de fret et
accélérer les temps de chargement. (Neha Sharma et al,2021) [13]
 Les voitures autonomes sont une nouveauté grâce à l’intelligence artificielle.
Le laboratoire d’IA d’Uber travaille sur la création de voitures sans conducteur
avec plusieurs fonctionnalités intelligentes. Selon Forbes, le MIT tente de
développer un système qui permettra la navigation de voitures autonomes
sans carte. Il existe toujours des restrictions pour la cartographie 3D dans
certaines zones du monde, car elle n’est pas efficace pour éviter les accidents.
Zhou et al. (2020) ont développé SMARTS en open-source, qui est une « école
de formation évolutive d’apprentissage par renforcement multi-agent pour la
conduite autonome », qui aide à former les utilisateurs de la route à utiliser
différents modèles de comportement, à accumuler des connaissances. (M Zhou
et al,2020) [14]
CHAPITRE 2 :

Les méthodes utilisées dans

diverse Articles
 Chapitre 2
Dans cette section, nous examinerons quelques articles qui traitent de
l'application de l'apprentissage profond dans le domaine de la santé, en se
concentrant spécifiquement sur le coronavirus.

1) Sujet numéro 1 : (MD. MILON ISLAM et al, 2021) [15]

Cette revue se concentre sur l'utilisation de techniques d'apprentissage profond
pour le diagnostic de la COVID-19. Elle examine spécifiquement les systèmes
développés pour ce diagnostic en utilisant des techniques d'apprentissage profond
appliquées aux images de scanner CT et aux échantillons de radiographie. De
plus, elle met en évidence les ensembles de données couramment utilisés pour
entraîner ces réseaux, ainsi que les techniques de partitionnement des données et
les différentes mesures de performance développées par les chercheurs dans ce
domaine. Une taxonomie est établie pour catégoriser les travaux récents et offrir
une meilleure compréhension. Enfin, cette revue conclut en abordant les défis
associés à l'utilisation des méthodes d'apprentissage profond pour la détection de
COVID-19, ainsi que les tendances futures probables dans ce domaine de
recherche. L'objectif principal de cet article est de faciliter la compréhension des
experts (qu'ils soient médicaux ou non) et des techniciens quant aux façons dont
les techniques d'apprentissage profond sont utilisées dans ce contexte, ainsi que
leur potentiel d'utilisation supplémentaire pour lutter contre la propagation de la
COVID-19.

2) Sujet numéro 2 : (Safa Bahri et al, 2020) [16]

Cet article présente une étude qui explore l'utilisation d'un réseau de neurones
récurrents LSTM pour prédire le taux de guérison de la COVID-19 dans trois pays
spécifiques : l'Italie, l'Inde et les États-Unis. Les chercheurs ont extrait les
données nécessaires à partir du dépôt officiel de l'Organisation mondiale de la
santé (OMS). Ils ont ensuite divisé ces données en deux ensembles : 80 % pour
l'entraînement du modèle et 20 % pour les tests. L'objectif principal était de
développer un modèle capable de fournir des prédictions précises et fiables sur la
progression de la guérison de la maladie. Pour évaluer les performances du
modèle, les chercheurs ont utilisé la mesure d'erreur absolue moyenne pondérée
(MAPE). Les résultats de l'expérience ont démontré que le modèle LSTM avait un
taux d'erreur inférieur à 3 %, ce qui indique une précision élevée dans les
prédictions. Ces résultats prometteurs suggèrent que les réseaux de neurones
récurrents LSTM peuvent être un outil efficace pour prédire le taux de guérison
de la COVID-19 dans différents pays.

Sujet numéro 3 : (Shashank Vaid et al,2020) [17]

L'article présente le développement d'un modèle d'apprentissage profond basé
sur des réseaux de neurones à convolution (CNN) pour améliorer la précision de
la détection des maladies à partir de radiographies thoraciques. L'objectif était de
détecter les anomalies structurelles et de catégoriser les maladies pour découvrir
des motifs cachés. Les chercheurs ont utilisé une approche d'apprentissage par
transfert en utilisant des ensembles de données disponibles publiquement. Les
images utilisées dans cette étude ont été collectées à partir d'une collection
d'articles et de publications récemment publiés dans le cadre d'un effort mondial
de recherche collaborative sur la détection de la COVID-19. Les données utilisées
comprenaient des informations telles que l'identifiant du patient, le sexe, l'âge, le
diagnostic, la survie, la vue de la radiographie, l'horodatage et le lieu. Ces
données ont été réparties en ensembles d'entraînement, de validation et de test
dans un rapport de 80 :20 :20. Avant l'entraînement, les radiographies ont été
normalisées pour mettre les valeurs des pixels dans la plage de 0 à 1. Ensuite, les
images ont été redimensionnées pour avoir des dimensions de 512 × 512 pixels. Le
modèle a été entraîné en utilisant l'optimiseur Adam avec un taux
d'apprentissage initial de 0,001, sur 100 époques et avec une taille de lot de 15.
L'entraînement a été effectué sur un GPU Tesla K80, et des techniques telles que
l'arrêt prématuré et la réduction du taux d'apprentissage ont été utilisées pour
améliorer les performances. Les résultats obtenus ont montré une précision élevée
de 96,3% et une faible perte de 0,151 en utilisant un ensemble de données public
comprenant des patients de différents pays du monde. L'analyse de la matrice de
confusion a révélé que le modèle était capable d'identifier avec précision les vrais
négatifs et les vrais positifs. Cependant, le modèle a également identifié trois cas
de faux positifs et un cas de faux négatif parmi les radiographies de patients en
bonne santé.

3) Sujet numéro 4 : (Emtiaz Hussain et al,2020) [18]

L'article présente le développement d'un nouveau réseau de neurones à
convolution appelé CoroDet, composé de 22 couches. L'objectif de ce réseau est
d'automatiser la détection de la COVID-19 à partir d'images brutes de
radiographies thoraciques et de tomodensitogrammes. Pour mener cette étude,
une vaste base de données a été créée en combinant et en modifiant différents
référentiels de données accessibles au public. Le réseau CoroDet a été développé
pour effectuer une classification précise en 2 classes (COVID et normal), en 3
classes (pneumonie COVID, normal et non-COVID) et en 4 classes (pneumonie
virale COVID, normal, non-COVID et pneumonie bactérienne non-COVID). Les
performances de ce modèle ont été évaluées en utilisant différentes mesures telles
que la précision, le rappel, le score F1, l'exactitude, la sensibilité, la spécificité et
la matrice de confusion pour chaque pli de l'expérience. Les résultats ont montré
que le modèle CoroDet surpassait les dix techniques existantes de détection de la
COVID-19 en termes de précision. Il a atteint une précision de classification de
99,1% pour la classification en 2 classes, 94,2% pour la classification en 3 classes
et 91,2% pour la classification en 4 classes. Ces performances sont nettement
meilleures que celles des méthodes actuelles utilisées pour la détection de la
COVID-19. De plus, l'ensemble de données préparé pour l'évaluation de cette
méthode est le plus grand ensemble de données disponible à ce jour pour la
détection de la COVID-19 à partir d'images radiographiques. En conclusion, le
modèle CoroDet se révèle être une approche prometteuse pour la détection
automatisée de la COVID-19, offrant des performances supérieures à celles des
méthodes existantes. Ce modèle ouvre la voie à de nouvelles possibilités dans le
domaine de la détection précoce et précise de la maladie.
 4) Sujet numéro 5 : (Bharati Sanjay Ainapure et al,2023) [19]
Cet article présente une étude sur l'analyse des sentiments des citoyens
indiens à l'égard de la pandémie de COVID-19 et de la campagne de vaccination
en utilisant des messages texte publiés sur Twitter. L'étude utilise à la fois des
techniques basées sur le lexique et des méthodes de deep learning. Les sentiments
exprimés dans les tweets ont été classifiés en trois catégories : positif, négatif et
neutre. Deux ensembles de données ont été utilisés, comprenant environ 80 000
tweets sur le COVID-19 publiés sur une période de trois mois (de mars 2020 à mai
2020) et 218 791 tweets sur la vaccination. Une approche basée sur le lexique a
été utilisée pour classifier la polarité des tweets en utilisant les outils VADER et
NRCLex. En utilisant des techniques de deep learning telles que Bi-LSTM et
GRU, un réseau neuronal récurrent a été entraîné. Le modèle a atteint une
précision de 92,70 % et 91,24 % respectivement sur l'ensemble de données
COVID-19. Pour la classification des tweets sur la vaccination, des précisions de
92,48 % et 93,03 % ont été obtenues avec les techniques Bi-LSTM et GRU,
respectivement.
Les performances du modèle ont été évaluées en utilisant des mesures
standard telles que la précision, le score F1, la sensibilité, la spécificité et le
rappel. Les résultats de cette analyse peuvent être utiles aux secteurs de la santé
et aux organisations gouvernementales pour comprendre les préoccupations du
public concernant la maladie et prendre les mesures nécessaires.

Sujet numéro 6 : [20]

L'étude utilise l'apprentissage profond pour prédire et contrôler la propagation
mondiale du COVID-19 à partir d'images radiographiques pulmonaires. Elle
recommande l'utilisation de techniques d'augmentation des données, prévoit les
résultats dans différentes régions avec des algorithmes de prévision, et suggère
l'utilisation de modèles d'apprentissage profond, notamment le réseau neuronal
convolutif (CNN) VGG16, pour un diagnostic précis, mettant en avant
l'algorithme PA pour la prévision du COVID-19.

Sujet numéro 7 : [21]

La revue met en lumière l'utilisation généralisée de l'apprentissage profond dans la
détection du COVID-19 à partir d'images médicales, notamment les rayons X et les
tomodensitogrammes. Elle souligne l'importance des modèles pré-entraînés, du
transfert d'apprentissage et présente diverses approches de modèles tels que
COVIDX-Net, CovidAID, MobileNetV2, DenseNet, EfficientNet, et d'autres,
démontrant des performances élevées dans la classification du COVID-19 et
soulignant les défis liés aux ensembles de données.
Sujet numéro 8 : [22]
Cet article explore l'intégration de méthodes basées sur l'apprentissage
automatique, notamment les réseaux neuronaux artificiels (ANN), LSTM, RNN, et
GAN, pour prédire divers aspects liés au COVID-19 tels que les complications
cardiovasculaires, l'insuffisance cardiaque, la propagation des infections, les
 infections pulmonaires sur les tomodensitogrammes, la détection du nouveau
coronavirus, l'estimation des paramètres cliniques du Remdesivir, et la probabilité
d'infection gastro-intestinale virale à partir d'images histologiques. L'accent est mis
sur l'amélioration des diagnostics, en particulier pour le dépistage précoce des
patients atteints de COVID-19.
Sujet numéro 9 : [23]
La recherche évalue l’efficacité de divers modèles de réseaux neuronaux
convolutifs (CNN) pour le diagnostic automatique du COVID-19 à partir de rayons
X, en utilisant 1 765 radiographies, en utilisant l’apprentissage par transfert en
raison de données limitées. Des modèles, notamment InceptionNet-V3, Inception-
ResNet-V2 et NASNetLarge, sont appliqués pour relever les défis actuels de la
pandémie. L’étude contribue au domaine naissant de la détection du COVID-19
grâce à l’analyse automatisée des images et souligne l’importance de
l’apprentissage par transfert pour des performances CNN efficaces avec des
ensembles de données restreints.

ARTICLE Base de données Méthode Objectif

utilisé
Sujet // Revue sur Aperçu des systèmes récemment
numéro 1 plusieurs développés basés sur des techniques
[15] méthodes d'apprentissage profond utilisant
comme différentes modalités d'imagerie
ResNet50, médicale
COVNet
ai-corona ..
Sujet Référentiel officiel Long-Short Prédire le taux de guérison de la
numéro 2 relatif à l'organisation Term Memory COVID-19 dans trois pays spécifiques :
[16] mondiale de la santé (LSTM) l'Italie, l'Inde et les États Unis
Sujet Les images ont été Convolutional Améliorer la précision des cas signalés
numéro 3 collectées à partir d'une neural et prédire avec précision la maladie à
[17] collection de documents networks partir des radiographies pulmonaires
et d'articles récemment
publiés.
Sujet L’ensemble de données Convolutional Servir de diagnostic précis pour la
numéro 4 est préparé en neural classification en 2 classes (COVID et
[18] combinant et en networks Normal), la classification en 3 classes
modifiant les huit (pneumonie COVID, normale et non
différents référentiels COVID) et la classification en 4 classes
de données accessibles (pneumonie virale COVID, normale,
au public non COVID et non COVID pneumonie
bactérienne)
Sujet https://www.kaggle.com/ RNN Analyser les sentiments des citoyens
numéro 5 codeelgendy5576/tweets (Recurrent indiens à propos de la pandémie de
[19] /script neural COVID-19 et de la campagne de
network) vaccination
https://www.kaggle.com/
datasetskaushiksuresh1
47/covidvaccine-tweets

Sujet Une approche Les réseaux Anticiper la propagation du COVID-19

numéro 6 bioinformatique contradictoire dans diverses régions. L'utilisation
[20] intégrée dans laquelle s génératifs d'algorithmes d'apprentissage
différents aspects de (GAN), automatique, y compris les réseaux
l'information provenant L'Extrême neuronaux convolutionnels (CNN) sur
d'un continuum de Learning des images radiographiques
sources de données Machine pulmonaires pour accélérer le processus
structurées et non (ELM) et la de diagnostic et de traitement de la
structurées mémoire à maladie COVID-19.
long/court
terme
(LSTM).
Sujet Ensembles de données PA, ARIMA, Analysé l’incidence de la distribution
numéro 7 du monde réel LSTM du COVID-19 à travers le monde. et
[21] présenter une technique d'intelligence
artificielle basée sur un réseau
neuronal convolutif profond (CNN)
pour détecter les patients atteints de
COVID 19.
Sujet Données publiques et CNN et RNN Explore les techniques DL pour la
numéro 8 privées, un total de 64 classification Covid-19 à partir de
[22] modèles DL pré- l’imagerie pulmonaire, en soulignant la
entraînés et nécessité de divers ensembles de
personnalisés données et en suggérant un potentiel
concernant les système de détection multimodal
modalités d'imagerie en standardisé.
tant que taxonomies
sont sélectionnés parmi
les articles étudiés
Sujet https://github.com/ieee8 Inception Évaluer l'efficacité des modèles de
numéro 9 023/covid-chestxray- ResNetV2, réseaux neuronaux convolutifs pour le
[23] dataset InceptionNet diagnostic automatisé du COVID-19 à
V3 et partir de radiographies.
https://www.kaggle.com/ NASNetLarge
paultimothymooney/che
st-xray-pneumonia
Les avantages et les inconvénients :

ARTICLE Avantage Inconvénient

Sujet La description détaillée de plusieurs études Certains aspects spécifiques des
numéro 5 récentes et les méthodes utilisé.
[15]
Sujet L'utilisation de modèles LSTM dans cette étude
numéro 5 démontre une grande précision dans la prévision
[16] des cas guéris de COVID 19, offrant ainsi un outil
précieux pour la prévision de la pandémie en
cours.
Sujet -Méthode moins coûteuse, plus rapide et plus
numéro 5 simple pour soutenir les efforts visant à
[17] déterminer la proportion de la population qui
aurait déjà été infectée par le virus
Sujet -La capacité de ce modèle à traiter simultanément
numéro 5 plusieurs classes, ce qui lui confère une grande
[18] flexibilité dans la détection de la COVID-19.
Sujet -L’étude proposée prend en compte à la fois les
numéro 5 tweets COVID-19 et les tweets de vaccination
[19] pour analyse.
-Performances supérieures par rapport au
méthodes déjà existants
Sujet L'apprentissage automatique, en particulier sous
numéro 6 la forme d'algorithmes de prévision, permet
[20] l'analyse des données et la reconnaissance de
formes, aidant ainsi à prédire et à contrôler la
propagation mondiale du COVID-19.
réseaux de neurones examinés,
tels que le nombre de couches, la
spécification des couches, le taux
d'apprentissage, le nombre
d'époques, en particulier pour
les architectures personnalisées,
ne sont pas mentionnés ici.
L'utilisation des modèles LSTM,
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.
-Les données d'images seules ne
sont pas adéquates, tout comme le
nombre de cas d'entraînement,
pour garantir des résultats
fiables.
-La combinaison et la
modification des données
peuvent introduire des biais ou
des erreurs potentiels, ce qui
peut avoir un impact sur les
performances globales du
modèle.
-la dépendance exclusive à
l'égard des données de Twitter
pour analyser les sentiments des
citoyens indiens, les utilisateurs
de cette plateforme ne
représentent pas
nécessairement l'ensemble de la
population indienne.
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 Les modèles d'apprentissage profond, en
numéro 7 particulier ceux utilisant des réseaux pré-
[21] entraînés, ont démontré une grande précision et
sensibilité dans la détection du Covid-19 à partir
de diverses modalités d'imagerie médicale, telles
que les rayons X.
Sujet Le document propose une approche globale en
numéro 8 intégrant divers types de réseaux de neurones
[22] artificiels (RNA) pour traiter différents aspects du
COVID-19.
Sujet Les modelés d’apprentissage profond, en
numéro 9 particulier les CNN, peuvent traiter rapidement
[23] de grands ensembles de données, offrant ainsi
une alternative plus rapide aux méthodes de
diagnostic traditionnel.
Malgré les efforts visant à créer
de nouveaux ensembles de
données, la disponibilité de
données Covid-19 étiquetées
pour la formation de modèles
d'apprentissage profond reste
limitée, ce qui peut affecter la
généralisation et la robustesse
de ces modèles.
Le succès des modèles
d'apprentissage automatique
dépend fortement de la qualité
et de la représentativité des
données d'entraînement. Si les
données utilisées pour la
formation sont biaisées ou
incomplètes, cela peut affecter la
fiabilité des modèles proposés.
La précision des modèles CNN
dépend fortement de la qualité
et de la résolution des images
radiographiques. Une qualité
d’image incohérente peut
conduire à des erreurs de
diagnostic.
References:
1. Shinde, P. P., & Shah, S. (2018, August). A review of machine learning and
deep learning applications. In 2018 Fourth international conference on
computing communication control and automation (ICCUBEA) (pp. 1-6).
IEEE.
2. Azencott, C. A. (2022). Introduction au Machine Learning-2e éd. Dunod.
3.
4. Osisanwo, F. Y., Akinsola, J. E. T., Awodele, O., Hinmikaiye, J. O.,
Olakanmi, O., & Akinjobi, J. (2017). Supervised machine learning
algorithms: classification and comparison. International Journal of
Computer Trends and Technology (IJCTT), 48(3), 128-138.
5. Tanwar, S., Bhatia, Q., Patel, P., Kumari, A., Singh, P. K., & Hong, W. C.
(2019). Machine learning adoption in blockchain-based smart applications:
The challenges, and a way forward. IEEE Access, 8, 474-488.
6. Mahesh, B. (2020). Machine learning algorithms-a review. International
Journal of Science and Research (IJSR). [Internet], 9(1), 381-386.
7. Singh, P. K., Kar, A. K., Singh, Y., Kolekar, M. H., & Tanwar, S. (Eds.).
(2019). Proceedings of ICRIC 2019: Recent Innovations in Computing (Vol.
597). Springer Nature.
8. P. Harrington, “Machine Learning in action”, Manning Publications Co.,
Shelter Island, New York, 2012
9. Guo, Y., Liu, Y., Oerlemans, A., Lao, S., Wu, S., & Lew, M. S. (2016). Deep
learning for visual understanding: A review. Neurocomputing, 187, 27-48.
10. Yamashita, R., Nishion, M., Do,R.K.G.,& Togashi , K. (2018).
Convolutional neural networks: an overview and application in
radiology. Insights into imaging, 9, 611-629.
11. Carreira-Perpinan, M. A., & Hinton, G. (2005, January). On contrastive
divergence learning. In International workshop on artificial intelligence
and statistics (pp. 33-40). PMLR.
12. Beattie, C., Köppe, T., Duéñez-Guzmán, E. A., & Leibo, J. Z. (2020).
Deepmind lab2d. arXiv preprint arXiv:2011.07027.
13. Sharma, N., Sharma, R., & Jindal, N. (2021). Machine learning and deep
learning applications-a vision. Global Transitions Proceedings, 2(1), 24-28.
14. Zhou, M., Luo, J., Villella, J., Yang, Y., Rusu, D., Miao, J., ... & Wang, J.
(2020). Smarts: Scalable multi-agent reinforcement learning training
school for autonomous driving. arXiv preprint arXiv:2010.09776.
15. Islam, M. M., Karray, F., Alhajj, R., & Zeng, J. (2021). A review on deep
learning techniques for the diagnosis of novel coronavirus (COVID-
19). Ieee Access, 9, 30551-30572.
16. Bahri, S., Kdayem, M., & Zoghlami, N. (2020, December). Deep Learning
for COVID-19 prediction. In 2020 4th International Conference on
Advanced Systems and Emergent Technologies (IC_ASET) (pp. 406-411).
IEEE.
17. Vaid, S., Kalantar, R., & Bhandari, M. (2020). Deep learning COVID-19
detection bias: accuracy through artificial intelligence. International
Orthopaedics, 44, 1539-1542.
18. Hussain, E., Hasan, M., Rahman, M. A., Lee, I., Tamanna, T., & Parvez,
M. Z. (2021). CoroDet: A deep learning-based classification for COVID-19
detection using chest X-ray images. Chaos, Solitons & Fractals, 142,
110495.
19. Ainapure, B. S., Pise, R. N., Reddy, P., Appasani, B., Srinivasulu, A.,
Khan, M. S., & Bizon, N. (2023). Sentiment analysis of COVID-19 tweets
using deep learning and lexicon-based approaches. Sustainability, 15(3),
2573.
20. Artificial Intelligence and COVID-19: Deep Learning Approaches for
Diagnosis and Treatment.
21. International Journal of Computer Information Systems and Industrial Management
Applications. ISSN 2150-7988 Volume 12 (2020) pp. 168-181.
22. Neural Processing Letters (2023) 55 :3551–3603.
23. Journal of X-Ray Science and Technology 28 (2020) 841–850.