Département de Mathématiques et Informatique

Permanent URI for this community

https://dspace.enset-skikda.dz/handle/123456789/9

Browse

Browsing Département de Mathématiques et Informatique by Author "ALIA, Assem"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Application du Machine Learning pour le Diagnostic Automatique des maladies
    (Ecole Normal supérieure de l’Easeignement Technologique– skikda, 2025) ALIA, Assem; CHEKAMBOU, Laid; CHEKAMBOU, Ahmed; SALAH, Halima
    Ce mémoire s’inscrit dans le cadre du développement d’un système intelligent d’aide au diagnostic médical, basé sur les techniques d’apprentissage automatique. L’objectif principal est de concevoir une application capable de proposer un diagnostic accompagné de traitements et de recommandations personnalisées, en se fondant à la fois sur les symptômes actuels et sur l’historique médical complet du patient (antécédents, allergies, traitements, etc.). Dans ce projet, nous avons constitué une base de données médicale personnalisée à partir de sources variées, puis appliqué trois méthodes de classification supervisée Support Vector Machine (SVM), Random Forest et XGBoost à des cas médicaux réels sur deux jeux de données issus du UCI Machine Learning Repository : Breast Cancer Wisconsin (classification binaire) et Heart Disease (classification multiclasse), en complément de notre propre base construite. L’objectif était d’évaluer la performance des différents classificateurs et d’identifier celui le plus adapté à l’intégration dans notre application. Un travail rigoureux de prétraitement des données a été réalisé, comprenant le nettoyage, la normalisation et l’optimisation des paramètres. L’évaluation des modèles, fondée sur plusieurs métriques (précision, rappel, F1-score, exactitude), a permis d’identifier XGBoost comme la méthode la plus performante pour notre application. Le système a été développé en s’appuyant sur une architecture technique moderne, combinant Python et FastAPI pour le backend, et Flutter pour l’interface mobile, assurant ainsi une solution multiplateforme, flexible et rapide à déployer. Ce travail représente une avancée concrète vers l’intégration de l’intelligence artificielle dans les outils d’aide à la décision médicale, en particulier dans les contextes à ressources limitées.