Browsing by Author "Adel, Lahsasna"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Access Control System of " Cinq laboratoires' U sing Face Recognition
    (Faculty of Sciences, 2022) Sabrina, Bouzobra; Soufiane, Boulehouache; Adel, Lahsasna
    Security in laboratories represents a big challenge and major concern for authorities and governments worldwide, and the use of traditional systems to address this issue has not solved the problem. Face recognition technology is the latest and one of the most effective authentication AI-based technologies to be adopted for keyless access control systems. In our current research work, an access control system was developed using deep learning to restrict access to the laboratory to authorized members only. The data set was collected from 09 subjects who are working in the department of computer science, university of Skikda. In order to avoid the bias in our testing results, the data set was resampled using five cross-validation method (5-cv). The results achieved by our system were presented along with discussions and analysis of the key findings and features of the system. The proposed system achieved an accuracy rate as high as 97%. Finally, some challenging cases like pose variations and face with occlusion were presented to show how our system could handle these cases efficiently. Where the results proved good efficienc
  • Thumbnail Image
    Item
    Développement d’un système de diagnostic médical du diabète à l’aide d’algorithmes d’apprentissage automatique
    (Faculté des Sciences, 2023) Boussekine, Marwa; Bouaita ,Samah; Adel, Lahsasna
    Le diabète est un problème majeur de santé mondiale, causant des millions de décès chaque année et entraînant diverses complications. La prévalence du diabète ne cesse d'augmenter, notamment dans les pays à faible et moyen revenu. Cette étude vise à développer un système de diagnostic précis du diabète en utilisant l'apprentissage automatique. L'objectif est d'identifier l'algorithme de classification le plus précis parmi huit algorithmes couramment utilisés, à savoir les Réseaux de Neurones Artificiels (ANN), les Machines à Vecteurs de Support (SVM), le classifieur Naïf de Bayes, les Arbres de Décision, les Forêts Aléatoires, le Bagging, l'AdaBoost et les k-Plus Proches Voisins (KNN). L'étude utilise l'ensemble de données sur le diabète de Pima pour évaluer les performances de ces algorithmes. L'algorithme sélectionné est ensuite utilisé pour développer un système de diagnostic efficace. De plus, l'étude vise à identifier les caractéristiques les plus importantes liées à la classification du diabète afin de fournir des informations sur les facteurs de risque du diabète. Les résultats montrent que la Forêt Aléatoire atteint la plus haute précision de classification et est choisie pour la phase de déploiement. Le système de diagnostic développé diagnostique avec précision les nouveaux patients et identifie les facteurs les plus importants dans la classification du diabète, tels que la concentration de glucose, l'indice de masse corporelle (IMC) et l'âge. Cette recherche contribue à la détection du diabète, ce qui peut aider les professionnels de la santé à fournir le traitement approprié du diabète et à atténuer le risque de développer la maladie pour les personnes non diabétiques en contrôlant les facteurs de risque significatifs associés au diabète.