Académique Documents
Professionnel Documents
Culture Documents
Redaction Scientifique
Redaction Scientifique
UE : REDACTION SCIENTIFIQUE
Présenté par :
Supervisé par :
Pr BATCHAKUI Bernabé
Dans la suite nous nous focaliserons sur ces 03 dernières et proposer leurs
équivalents dans différentes normes.
APA Rong, Y., Xu, T., Huang, J., Huang, W., Cheng, H., Ma, Y., Wang, Y., Derr, T., Wu, L., &
Ma, T. (2020). Deep Graph Learning : Foundations, Advances and Applications.
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery
& Data Mining, 3555-3556. https://doi.org/10.1145/3394486.3406474
MLA Rong, Yu, et al. « Deep Graph Learning: Foundations, Advances and Applications ».
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery
& Data Mining, Association for Computing Machinery, 2020, p. 3555-56. ACM Digital
Library, https://doi.org/10.1145/3394486.3406474.
Chicago Yu Rong et al., « Deep Graph Learning: Foundations, Advances and Applications », in
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery
& Data Mining, KDD ’20 (New York, NY, USA: Association for Computing Machinery,
2020), 3555-56, https://doi.org/10.1145/3394486.3406474.
IEEE Y. Rong et al., « Deep Graph Learning: Foundations, Advances and Applications », in
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery
& Data Mining, in KDD ’20. New York, NY, USA: Association for Computing
Machinery, août 2020, p. 3555-3556. doi: 10.1145/3394486.3406474.
Type Mémoire
APA Boudali, A., & Benchaib, A. A. (2022). Détection précoce de la maladie d’Alzheimer sur
les images IRM [Thesis, Université Ibn Khaldoun -Tiaret-]. http://dspace.univ-
tiaret.dz:80/handle/123456789/5738
MLA Boudali, Abdellah, et Aymen Abdelfetah Benchaib. Détection précoce de la maladie
d’Alzheimer sur les images IRM. 2022. Université Ibn Khaldoun -Tiaret-, Thesis.
dspace.univ-tiaret.dz, http://dspace.univ-tiaret.dz:80/handle/123456789/5738.
Type Livre
APA Roder, S., & Julia, L. (2019). Guide pratique de l’intelligence artificielle dans
l’entreprise : Anticiper les transformations, mettre en place des solutions. EYROLLES.
MLA Roder, Stéphane, et Luc Julia. Guide pratique de l’intelligence artificielle dans
l’entreprise: Anticiper les transformations, mettre en place des solutions. EYROLLES,
2019.
Chicago Roder, Stéphane, et Luc Julia. Guide pratique de l’intelligence artificielle dans
l’entreprise: Anticiper les transformations, mettre en place des solutions. EYROLLES,
2019.
Vancouver 1.
Roder S, Julia L. Guide pratique de l’intelligence artificielle dans l’entreprise: Anticiper les
transformations, mettre en place des solutions. EYROLLES; 2019. 198 p.
Tableau 4: Illustration de normes de références pour un livre
Vancouver Debret J. Scribbr. 2020 [cité 11 mai 2024]. Style de rédaction scientifique : conseils,
méthodologie, exemples. Disponible sur: https://www.scribbr.fr/article-scientifique/style-
Type Rapport
APA OECD. (2023). Artificial Intelligence in Science : Challenges, Opportunities and the Future of
Research. Organisation for Economic Co-operation and Development. https://www.oecd-
ilibrary.org/science-and-technology/artificial-intelligence-in-science_a8d820bd-en
MLA OECD. Artificial Intelligence in Science: Challenges, Opportunities and the Future of Research.
Organisation for Economic Co-operation and Development, 2023. OECD iLibrary,
https://www.oecd-ilibrary.org/science-and-technology/artificial-intelligence-in-
science_a8d820bd-en.
Chicago OECD. Artificial Intelligence in Science: Challenges, Opportunities and the Future of Research. Paris:
Organisation for Economic Co-operation and Development, 2023.
https://www.oecd-ilibrary.org/science-and-technology/artificial-intelligence-in-
science_a8d820bd-en.
IEEE [1]
OECD, Artificial Intelligence in Science: Challenges, Opportunities and the Future of Research. Paris:
Organisation for Economic Co-operation and Development, 2023. Consulté le: 18 mai 2024. [En
ligne]. Disponible sur: https://www.oecd-ilibrary.org/science-and-technology/artificial-
intelligence-in-science_a8d820bd-en
Vancouver 1.
OECD. Artificial Intelligence in Science: Challenges, Opportunities and the Future of Research
[Internet]. Paris: Organisation for Economic Co-operation and Development; 2023 [cité 18 mai
2024]. Disponible sur: https://www.oecd-ilibrary.org/science-and-technology/artificial-
intelligence-in-science_a8d820bd-en
a. Résumé 1 :
b. Résumé 2
c. Résumé 3
« L’épilepsie est une maladie chronique qui se caractérise par des crises
imprévisibles et récurrentes. Bien que l’approche principale pour traiter cette
maladie soit à travers une médication à long terme, environ un tiers des patients
sont résistants à cette thérapie. De plus, les options chirurgicales pour
l’épilepsie sont limitées en raison des perceptions négatives liées à la chirurgie,
des préoccupations concernant les complications subséquentes et des taux de
réussite modérés. Actuellement, les recherches se concentrent de plus en plus
sur l’exploration du potentiel de la prédiction des crises à l’aide
d’enregistrements électro-encéphalogrammes (EEG), ce qui pourrait ouvrir de
nouvelles voies d’intervention et de traitement. Bien que de nombreux modèles
de prédiction des crises épileptiques aient été proposés dans la littérature
scientifique, ils ne sont pas encore largement utilisés dans des contextes
cliniques en raison de plusieurs limitations. Ces limitations incluent l’efficacité
des caractéristiques extraites à partir des signaux EEG, les défis d’interprétation
des modèles de prédiction et la difficulté de généraliser les modèles à de
nouveaux patients. L’objectif de cette thèse est de développer et d’améliorer des
modèles pour la prédiction des crises d’épilepsie en utilisant des données EEG.
Dans un premier temps, nous avons mené une étude pour évaluer la complexité
des caractéristiques extraites à partir des données EEG qui sont utilisées pour la
prédiction des crises d’épilepsie. Nous avons déterminé que des méthodes
d’apprentissage profond complexes étaient nécessaires pour extraire des
caractéristiques plus précises et robustes que celles obtenues manuellement.
Ensuite, nous avons proposé une architecture de réseau de neurones
interprétable conçue pour la prédiction de crises spécifiques au sujet. Cette
architecture a non seulement mieux performé que les méthodes actuelles de
l’état de l’art, mais elle a également amélioré et simplifié l’interprétabilité du
modèle. Pour résoudre le problème de la généralisation à de nouveaux patients,
nous avons étudié les modèles multi-sujets et inter-sujets, qui offrent un niveau
V. DEVOIR 4 : LA METHODOLOGIE