Browsing by Author "Sayad, Lamri: Rapporteur"

Now showing 1 - 2 of 2
  • Thumbnail Image
    ItemOpen Access
    Artificial neural network approach to detect COVID-19 disease from X-ray images
    (Mohamed Boudiaf University of M'sila, 2023) Hichem, Laboukhi; Abdelhakim, Benamara; Sayad, Lamri: Rapporteur
    This research employs artificial neural networks, specifically deep learning techniques, to detect COVID-19 from chest X-ray images. The study created and assessed a neural network model using a dataset of medical images from both COVID-19 infected and non-infected individuals. The results demonstrated the model's effectiveness in accurately distinguishing between infected and non-infected cases, showcasing its potential as a valuable diagnostic tool for COVID-19. The study emphasizes the necessity for ongoing research, expanding datasets, and refining neural network models to enhance accuracy. It underscores the significant potential of artificial intelligence and deep learning in disease diagnosis, promoting continuous collaboration between researchers and healthcare institutions to address global health challenges.
  • Thumbnail Image
    ItemOpen Access
    Contribution à la résolution du problème VRP multi-chemins avec incertitude
    (2024-06) Bouzidi, Hamza; Djaidja, Mazin; Sayad, Lamri: Rapporteur
    Le problème de la planification des itinéraires de véhicules avec des chemins multiples et des incertitudes est un défi majeur auquel de nombreuses entreprises de logistique et organisations sont confrontées dans la gestion de la distribution et du transport des marchandises. Ce problème concerne les difficultés liées à la détermination des meilleurs itinéraires pour les véhicules entre plusieurs emplacements tout en tenant compte de facteurs variables. Cette recherche a contribué à fournir des solutions efficaces au problème de la planification des itinéraires de véhicules avec des chemins multiples et des incertitudes. Un modèle de planification a été développé basé sur un algorithme génétique pour déterminer les chemins optimaux. Un site web a été développé pour fournir l'interface visuelle de ce modèle. Avec ce modèle et le site web associé, les entreprises de logistique peuvent améliorer l'efficacité de leurs processus opérationnels et réduire les coûts résultant des retards de livraison et de la sélection de routes inefficaces. Cette recherche représente une étape importante vers le développement de solutions innovantes dans le domaine de la gestion de la distribution, en s'appuyant sur des techniques modernes d'analyse de données et en améliorant la prise de décision logistique.