Browsing by Author "ZEGHIDA , Djamel"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Développement d’Une Plate-forme E-Commerce pour des Produits Personnalisés Comme Idée Innovant conformément à la décision ministérielle 1275.
    (Faculté des Sciences, 2023) Fenazi , Idris; Bouznad , Houssem Eddine; BOULEHOUACHE , Soufiane; ZEGHIDA , Djamel
    Au cours des dernières années, le commerce électronique a connu une croissance remarquable,transformant fondamentalement la manière dont les entreprises interagissent avec leur clientèle. Cette évolution découle principalement de l’essor rapide d’Internet et de la diffusion généralisée de la numérisation au sein de notre société contemporaine.Dans ce contexte, cette étude se focalise sur le développement d’une plateforme ecommerce orientée vers la personnalisation de produits. L’objectif principal de cette plateforme est de simplifier le processus de création, de personnalisation et d’achat de produits imprimés et personnalisés, notamment des vêtements et des accessoires. Cette plateforme offre une opportunité exceptionnelle aux créateurs et aux artistes pour concrétiser leurs idées en concevant des designs exclusifs qu’ils peuvent ensuite appliquer sur une variété de produits disponibles sur la plateforme. Les clients ont la possibilité d’acquérir des produits arborant les designs de leur choix, éliminant ainsi la nécessité de gérer d’importants stocks, la production, la livraison, le marketing et le service client. En mettant en lumière les progrès technologiques qui façonnent notre monde commercial, cette étude offre une perspective sur l’avenir du commerce électronique centré sur la personnalisation.
  • Thumbnail Image
    Item
    Une approche de Clustering sans k Cnok
    (Faculté des Sciences, 2023) ATIETALLAH, Nouara; ZEGHIDA , Djamel
    La méthode d’Identification des groupes d'individus au sein d'un jeu de données, et les regrouper en sous-ensembles similaires en fonction de diverses caractéristiques est appelé Clustering. Dans le monde de la science des données, nous pouvons utiliser des méthodes de Clustering pour obtenir des informations précieuses à partir de données en catégorisant les groupes auxquels appartiennent ces points lorsque nous appliquons un algorithme de Clustering. Les méthodes de Clustering souffrent encore de plusieurs insuffisances et nécessitent souvent l’initialisation de plusieurs paramètres comme le nombre de classes ou l’initialisation des groupes. Dans ce mémoire, et afin d’améliorer les algorithmes de Clustering, nous proposons une approche de classification non supervisée, où l’algorithme découvre automatiquement les classes pour des données numériques sans connaître le nombre de classes a priori, sans partition initiale et sans paramétrage délicat. L’algorithme proposé a été implémenté dans une application bureau Java qui est utilisée pour faire le Clustering d’un dataset introduit par l’utilisateur