Browsing by Author "Co-Encadreur: ATTOUCH Med Kadi"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Estimation locale de la fonction de hasard conditionnelle pour variable explicative fonctionnelle
    (2018-10-03) DOUINI Hennia; Encadreur: LAKSACI Ali; Co-Encadreur: ATTOUCH Med Kadi
    الملخص (بالعربية) في هذا العمل، نقترح تقدير للنقطة المعرضة لمخاطر عالية و التي تعتمد على تقدير دالة الخطر الشرطية،لذا فإننا نقدم إجراءات جديدة للتقديراللاوسيطي لدالة الخطر الشرطية، في حالة كون متغير الاستجابة عددي و المتغير التفسيري يأخذ قيمه في فضاء شبه متري. تحت شروط معينة، حددنا التقارب شبه كامل لهذا التقدير،و اعطينا معدلات تقاربه .علاوة على ذلك، قدمنا بعض الحالات الخاصة من نتائجنا التي يمكن اعتبارها جديدة في حالة الابعاد المنتهية Résumé (Français et/ou Anglais) : Dans ce travail, nous proposons d’estimer le point à haut risque, qui est basée sur l’estimation de la fonction de hasard conditionnelle, nous introduisons donc une nouvelle procédure d’estimation non paramétrique de la fonction de hasard conditionnelle quand la variable réponse est scalaire et la variable explicative est à valeurs dans un espace semi-métrique. Sous certaines conditions, nous établissons la convergence presque-complète, et nous donnons également les vitesses de convergence correspondantes. De plus, nous donnons des cas particuliers de nos résultats qui peuvent également être considérés comme nouveaux dans le cadre de la dimension finie. Abstract . In this work, we propose to estimate the point at high risk, which are based on the estimation of the conditional hazard function, so we introduce a new nonparametric estimation procedure of the conditional hazard function of a scalar response variable given a random variable taking values in a semi-metric space. Under some general condition we establish both the pointwise and the almost-complete consistencies with rates of this estimator. Moreover, we give some particular cases of our results which can also be considered as novel in the finite-dimensional setting.
  • Thumbnail Image
    Item
    Time series forecasting using neural networks and Genetic Algorithms
    (2019-01-17) Gasmi Laid; Encadreur: CHIKR EL MEZOUAR Zouaoui; Co-Encadreur: ATTOUCH Med Kadi
    Abstract (Anglais) : Time series forecasting is a very active research subject in the field of science and engineering. Because of the difficulty of assessing the exact nature of a time series, it is often very difficult to generate appropriate forecasts because many real-world problems are non-linear. Recently, bio-inspired computational algorithms, such as neural networks and genetic algorithms have been proposed as an approach promising alternative for forecasting time series. In this research, we discuss and compare these two methods and that of Box-Jenkins. For the neural network method we used the AIC criterion to solve the problem of choice of the model (architecture selection), this method gave a superiority to the neural networks compared to the ARMA model. For the improvement of the quality of prediction, we have hybridized the genetic algorithms and the ARMA model. Résumé (Français) : La prévision des séries temporelles est un sujet de recherche très actif dans le domaine de la science et de l'ingénierie. En raison de la difficulté d'évaluer la nature exacte d'une série chronologique, il est souvent très difficile de générer des prévisions appropriées, car de nombreux problèmes du monde réel sont non-linéaires. Récemment, les algorithmes computationnels bioinspirés, tels que les réseaux neuronaux artificiels et les algorithmes génétiques ont été proposés comme une approche alternative prometteuse pour la prévision des séries temporelles. Dans cette recherche, nous avons discuté et comparer ces deux méthodes et celle de Box-Jenkins. Pour la méthode des réseaux de neurones nous avons utilisé le critère de AIC pour résoudre le problème de choix du modèle (sélection d'architecture), cette méthode à donnée une supériorité aux réseaux de neurones par rapport au modèle ARMA. Pour l'amélioration de la qualité de prévision nous avons proposé une hybridation entre les algorithmes génétiques et le modèle ARMA.