Laboratoire de Génie Informatique et d’Automatique de l’Artois

Mohamed amir ESSEGHIR

Doctorant
(Départ du LGI2A en 2012)
Membre des axes :
Mohamed amir ESSEGHIR -- Gilles GONCALVES -- Yahya SLIMANI
Adaptive Particle Swarm Optimizer for Feature Selection
11th International Conference on Intelligent Data Engineering and Automated Learning, IDEAL 2010 , pp 226-233, Vol. 6283, Paisley , Scotland, UK , Springer, LNCS, September 1-3, septembre 2010
Mohamed amir ESSEGHIR
Effective Wrapper-Filter hybridization through GRASP Schemata
Journal of Machine Learning Research, JMLR, pp 45-54, Vol. 10, juin 2010
Mohamed amir ESSEGHIR -- Gilles GONCALVES -- Yahya SLIMANI
Memetic Feature Selection : Benchmarking Hybridization Schemata
5th International Conference on Hybrid Artificial Intelligence Systems, HAIS 2010, pp 351-358, Vol. Volume 6076, San Sebastián, Spain, SpringerLink, LNCS, June 23-25, juin 2010
Mohamed amir ESSEGHIR -- Yahya SLIMANI -- Gilles GONCALVES
Distributed Feature Selection : benchmarking collaboration protocol
6ème Colloque sur l'Optimisation et les Systèmes d'Information, COSI'2009, Annaba, Algérie , May 25-27, mai 2009
Mohamed amir ESSEGHIR -- Tienté HSU -- Gilles GONCALVES -- Yahya SLIMANI
A Cooperative feature selection approach based on island model
Colloque sur l'Optimisation et les Systèmes d'Information, COSI 2007, oran, algérie, juin 2007
Mohamed amir ESSEGHIR -- Tienté HSU -- Gilles GONCALVES -- Yahya SLIMANI
A feature selection approach based on parallel genetic algorithm for high dimensional data sets
Métaheuristiques 2006, META'06, Hammamet, Tunisie, novembre 2006

Auteur de la thèse intitulée "Métaheuristiques pour le problème de sélection d’attributs"

2005 - 2011

Afin d’améliorer la qualité de prédiction des techniques de classification automatique et de fouilles de données, plusieurs modèles ont été proposés dans la littérature en vue d’extraire des connaissances à partir des données. Toutefois, avec l’expansion des systèmes d’information et des technologies associées, ces techniques d’apprentissage s’avèrent de moins en moins adaptées aux nouvelles tailles et dimensions des données. On s’intéresse dans cette étude aux problèmes de grande dimensionnalité et à l’amélioration du processus d’apprentissage des méthodes de classification à travers les techniques de filtrage et de sélection d’attributs. Le problème « d’identification d’attributs pertinents » (Feature Selection Problem), tel qu’il est défini dans la littérature, relève d’une nature combinatoire. Dans le cadre de cette thèse, on s’est intéressé au développement de nouvelles techniques d’optimisation approchées et spécifiques au problème traité ainsi qu’à l’amélioration d’algorithmes existants. La conception, l’implémentation et l’étude empirique ont montré l’efficacité et la pertinence des métaheuristiques proposées.

PlaiiMob (CISIT)

2007 - 2013

Plate-forme de simulation dédiée aux services de MOBilité

Résumé :

L’objectif de ce projet est d’illustrer de quelle manière les informations partielles peuvent être échangées dans le contexte de la communication inter-véhicule, par exemple pour prévenir le conducteur d’un événement potentiellement dangereux (accident, obstacle sur la route, freinage, …) ou pour l’assister (trouver une place de parking libre, éviter les embouteillages, être informer en temps réel des conditions de trafic).