Fatma HAMDI
Doctorante au LIPN UMR 7030 du CNRS
PRES Sorbonne Paris Cité
Université Paris 13


Formation


  Activité de recherche


 Activité d'enseignement


 Publications

 

Divers

 






Domaine de recherche :
  • Apprentissage numérique (statistique, connexionniste)
Mots-clès : Distributions déséquilibrées, Apprentissage à partir d'une classe, Apprentissage d'ensemble, Echantillonnage structurel adaptatif, Détection de nouveauté, Dérive de concept, Détection et identification d'événements rares.



Directeur de recherche :

Laboratoire d'Informatique de Paris-Nord - UMR CNRS 7030
PRES Sorbonne Paris Cité - Université Paris 13

99, avenue Jean-Baptiste Clément - 93430 Villetaneuse - France
Bureau : B207
Tél : +33 1 49 40 28 32 - Fax : +33 1 48 26 07 12
Courriel : Fatma.Hamdi at lipn.univ-paris13.fr





































• Formation Universitaire

  • 2010-2011 : 2ème année Thèse de doctorat de l'Université Paris 13
Spécialité Informatique
Sujet : Apprentissage en distributions déséquilibrées
Directeur : Y. Bennani

  • 2009-2010 : 1ère année Thèse de doctorat de l'Université Paris 13
Spécialité Informatique
Sujet : Apprentissage en distributions déséquilibrées
Directeur : Y. Bennani
  • 2009 : Master Informatique de recherche
spécialité Connaissance et Décision (CODE)
Institut National des Sciences Appliquées (INSA de Lyon)
  • 2008 : Maitrise en informatique appliquée à la gestion
Institut Supérieur de Gestion (ISG)
  • 2004 : Baccalauréat Mathématique
Page précédente




















































• Activité de recherche

Je suis en thèse sous la direction scientifique du Professeur Younès Bennani. Mon sujet de thèse porte sur l'apprentissage en distributions déséquilibrées. Lorsqu’il existe une vaste majorité d’exemples négatifs “non pertinents”, et seulement peu d’exemples appartenant à la classe positive, l’apprentissage a tendance à biaiser ses résultats en faveur de la classe dominante. Ce biais peut être traité en rééquilibrant la distribution d’apprentissage : les exemples de la classe minoritaire peuvent être répliqués ou générés artificiellement, un certain nombre d’exemples de la classe majoritaire peuvent être éliminés. Cependant, d’une part, l’augmentation du nombre d’exemples de la classe minoritaire donne un calcul inefficace, d’autre part, la réduction de la classe majoritaire peut amener à l’élimination d’informations importantes pour la classification.

Les objectifs de ma thèse comportent non seulement des axes théoriques, qui visent à développer des modèles d’apprentissage déterministes et probabilistes pour l’analyse de grandes masses de données en distributions déséquilibrées, mais aussi le développement d'applications dans le domaine de la détection et l'identification d'événements rares.

Mes thèmes de recherche concernent les points suivants :
 
  • Distributions déséquilibrées
  • Apprentissage à partir d'une classe
  • Apprentissage d'ensemble
  • Echantillonnage structurel adaptatif
  • Détection de nouveauté
  • Dérive de concept 
  • Détection et identification d'événements rares.
 
 
Mots-clés : Apprentissage à partir de données, Classes déséquilibrées, Détection et modélisation d’événements rares.



Page précédente



















• Activité d'enseignement

  • Apprentissage Connexionniste
(TD , M2 Informatique, Institut Galilée)
  • Visualisation de données
(TD, M1 Informatique, Institut Galilée)






























• Publications


HAMDI F., BENNANI Y. (2011), «Learning Random Subspace Novelty Detection Filters», in Proc. IJCNN, IEEE International Joint Conference on Neural Network, San Jose, California-July 31 - August 5, 2011.


HAMDI F., LEBBAH M., BENNANI Y. (2010),  «Topographic Under-Sampling for Unbalanced Distributions», in Proc. IJCNN‘10, IEEE International Joint Conference on Neural Network, 18-23 July 2010, Barcelona, Spain.

HAMDI F., ELGHAZEL H., BENABDESLEM K.  (2010), «Approche graphique pour l'agrégation de classifications non-supervisées», Atelier : Fouille de données complexes dans le cadre de la conférence EGC2010, Hammamet, Janvier 2010.

ELGHAZEL H., BENABDESLEM K., HAMDI F., (2010), «Consensus clustering  by graph based approach»,  ESANN'10 proceedings - European Symposium on Artificial Neural Networks, pp 493-498, Bruges (Belgium), 28-30 April 2010.




























• Divers


  • Membre du LIPN UMR 7030 depuis 2009.
  • Membre du comité d'organisation des 4èmes Journées thématiques "Apprentissage Artificiel & Fouille de Données"
AAFD'10, mardi 29 et mercredi 30 juin 2010 - Villetaneuse.

  • Membre de l'Association Internationale Francophone d'Extraction et de Gestion des Connaissances EGC.
  • Participation à l'école thématique é-EGC'10 "Apprentissage Statistique et Data Mining" du 1 au 5 Février 2010 - Hammamet, Tunisie.
       






Page précédente