2020 : Habilitation à Diriger des Recherches, Université Sorbonne Paris Nord.
Titre : Contributions to data dimensionality reduction and co-clustering
Soutenue le : 18 novembre 2020 devant le jury composé de:
Parain: Younès BENNANI, Professeur des Universités, Université Sorbonne Paris Nord
Rapporteurs :
1. Razvan Andonie, Professeur des Universités, Central Washington University,
USA
2. Mohamed Quafafou, Professeur des Universités, Université d’Aix Marseille
3. Rosanna Verde, Professeur des Universités, Université Catania, Italia
Examinateurs :
1. Pierre Gançarski, Professeur des Universités, Université de Strasbourg
2. Georgeta Cislaru, Professeur des Universités, Université Paris Nanterre
3. Céline Rouveirol, Professeur des Universités, Université Sorbonne Paris - Nord
2009 : Doctorat en informatique de l’Université Paris 13.
Titre : Classification à base de modèles de mélanges topologiques des données catégorielles
et continues
Soutenue le : 4 décembre 2009 devant le jury composé de:
Directeur de thèse : Younès BENNANI Professeur Université Paris 13
Co-encadrant : Mustapha LEBBAH Maître de conférences Université Paris 13
Rapporteurs :
1. Djamel BOUCHAFFRA Professeur Grambling State University
2. Mohamed NADIF Professeur Université Paris 5
Examinateurs :
1. Fréderic ALEXANDRE Directeur de recherche INRIA Nancy
2. Khalid BENABDESLEM Maître de conférences Université Lyon 1
3. Bruce DENBY Professeur Université Paris 6
4. Catherine RECANATI Maître de conférences Université Paris 13
Mention : Très Honorable
Principales matières/compétences professionnelles couvertes : Apprentissage nonsupervisé,
Classification non-supervisée, clustering topologique, classification collaborative,
Caractérisation des classes, sélection de variables, causalité, analyse relationnelle,
classification relationnelle topologique.
2006 : Master Sciences, Technologie, Santé à l’Université Paris 13, France – boursier AUF
(Agence Universitaire de la Francophonie). Filière Recherche Spécialité Modélisation
Informatique des Connaissances et du Raisonnement (MICR) Mention : Assez Bien,
Moyenne générale : 13/20, Classement : 6ème / 24.
Titre : Systèmes d’apprentissage non supervisé connexionnistes et stochastiques
pour la fouille de données structurées en séquences
Responsables de stage : M. Younès Bennani et Mme Catherine Recanati
Principales matières/compétences professionnelles couvertes : Apprentissage
non supervisé connexionniste, Apprentissage par contraintes, Apprentissage stochastique,
Fouille des données et Entrepôt des données.
2005 : Ingénieur en Informatique à l’Université Technique de Moldavie, Chisinau, Moldavie.
Titre : Portail web contenant un système de recommandation
Responsable : M. Victor SONTEA
Principales matières/compétences professionnelles couvertes : Système multiagents
en-ligne; Programmation objet orientée, analyse et concepts des logiciels
d’exploitation, modélisation des systèmes informatiques, mathématiques
discrètes, bases de données, structures de données et algorithmes, langages formels
et compilateurs.
Sept.2010- présent : Maître de Conférences à l’Université Paris Descartes., section 27
Chercheur au LIPADE (Laboratoire d’Informatique Paris Descartes) au sein de l’équipe MLDS
Mars 2010 - Septembre 2010 : Post-Doctorat, LIPN (Laboratoire d’Informatique de
Paris Nord), Univ. Paris 13 : Approches à base de modèles de mélanges pour différents
types de données; Responsable : Pr. Younès Bennani
Septembre 2009 - Septembre 2010 : Vacataire à l’Institut Galilée, Université Paris 13
2019 – : Doctorant : Marc Chevallier
Sujet de thèse : L’apprentissage artificiel au service de la qualité des données : détection des contraintes
Directeur : Faouzi Boufares (MCF HDR, Université Paris13, LIPN) (thèse CIFRE)
2017 – 2020 : Doctorante : Sarah Zouinina
Sujet de thèse : Sécurité et Anonymisation de Grandes Masses de Données
Directeurs : Lyhyaoui Abdelouahid (Professeur, ENSA de Tanger, Maroc) et Younès
Bennani (Professeur, Université Paris13, LIPN)
2014 – 2016 : Doctorant : Salah Aghiles
Sujet de thèse : Von Mises-Fisher based (Co-)Clustering for High-dimensional Sparse data
Directeur : Mohamed Nadif (Professeur, Université Paris 5, LIPADE)
2020 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Samia Baraka
Durée : 6 mois
Sujet de stage : Apprentissage profond pour la super-résolution d’images médicales
2020 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Ahlam Libsir
Durée : 6 mois
Sujet de stage : Apprentissage non-supervisé pour des données hétérogènes
2020 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Medina El Robrini
Durée : 6 mois
Sujet de stage : Apprentissage non-supervisé pour des données de type jet textuelles
2019 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Maha Ben Farez
Durée : 6 mois
Sujet de stage : Anonymisation de Données en utilisant l’apprentissage collaboratif
2017 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Kaoutar Benlamine
Durée : 6 mois
Sujet de stage : Apprentissage profond pour la définition d’un système de recommandation
pour les noms de domaine
2017 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Svitlana Kalashnyk
Durée : 6 mois
Sujet de stage : Apprentissage à base de reseaux de neuronnes pour le traitement
de données textuelles
2016 : Stage d’initiation à la recherche M1
Stagiaire : Menghoufel Imene
Durée : 6 mois
Sujet de stage : Systèmes de recommandation à base de filtrage collaboratif
2016 : Stage d’initiation à la recherche M1
Stagiaire : Chennoufi Abdallah
Durée : 6 mois
Sujet de stage : Systèmes de recommandation à base de filtrage collaboratif
2016 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Taofik Lawal
Durée : 6 mois
Sujet de stage : Détection des Opinions à partir de données tweets
2014 : Stage d’initiation à la recherche M2Recherche (co-encadrement)
Stagiaire : Dorin Tulei
Durée : 6 mois
Sujet de stage : Apprentissage en temps réel de données de type tweet
2013 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Aboubakr Taleb
Durée : 6 mois
Sujet de stage : Apprentissage Incrémental appliqué au flux de données