Sana Ben Hamida
Présentation
Dr Sana Ben Hamida est Maîtresse de Conférences Hors Classe en informatique à l’Université Paris Nanterre et chercheuse associée au LAMSADE (UMR CNRS 7243), Université Paris Dauphine–PSL. Elle a obtenu son Habilitation à Diriger des Recherches (HDR) en 2024 à l’Université Paris Dauphine, avec un mémoire intitulé « Algorithmes évolutionnaires comme techniques avancées d’apprentissage automatique : application et passage à l’échelle pour les grandes masses de données ». Elle est également titulaire d’un doctorat en informatique de l’École Polytechnique (2001), centré sur les algorithmes évolutionnaires avec prise en compte des contraintes. Ses travaux de recherche couvrent les domaines des algorithmes évolutionnaires, de l’apprentissage automatique, de la fouille de données et de l’optimisation, avec une orientation marquée vers les applications en bio-informatique et en sciences de l’environnement. Un axe fort de ses recherches est le développement de méthodes d’apprentissage automatique capables de passer à l’échelle, adaptées à des données complexes, hétérogènes, de grande dimension et souvent déséquilibrées. Elle a exploré en profondeur la programmation génétique, l’apprentissage par ensemble, l’apprentissage actif ainsi que des approches hybrides combinant différents paradigmes. Son travail se distingue par une forte dimension appliquée, en particulier dans les domaines de la biologie computationnelle et de la bio-informatique. Dr Ben Hamida dispose de plus de 25 ans d’expérience dans l’enseignement supérieur. Elle dispense un large éventail de cours, de la licence au master, en informatique et en science des données, incluant le SQL avancé, la programmation en Python, les systèmes de bases de données et l’apprentissage automatique. Elle a encadré de nombreux mémoires de master et co-encadré plusieurs thèses de doctorat portant sur des applications de l’intelligence artificielle en bio-informatique, traitement de données massives et optimisation computationnelle.
Publications
Publications
|
|
Adaptive sampling for active learning with genetic programmingCognitive Systems Research, 2021, 65, pp.23 - 39. ⟨10.1016/j.cogsys.2020.08.008⟩ |
|
|
Scale Genetic Programming for large Data Sets: Case of Higgs Bosons ClassificationProcedia Computer Science, 2018, 126, pp.302-311. ⟨10.1016/j.procs.2018.07.264⟩ |
|
|
Genetic Algorithm for Community Detection in Biological NetworksProcedia Computer Science, 2018, 126 (6), pp.195-204. ⟨10.1016/j.procs.2018.07.233⟩ |
|
|
Recovering Volatility from Option Prices by Evolutionary OptimizationThe Journal of Computational Finance, 2005, ⟨10.2139/ssrn.546882⟩ |
|
|
Random Forest Classifier for Marine Biodiversity Analysis2024 International Conference on Intelligent Systems and Computer Vision (ISCV), May 2024, Fez, France. pp.1-8, ⟨10.1109/ISCV60512.2024.10620111⟩ |
|
|
ACTIVE SMOTE for Imbalanced Medical Data ClassificationInternational Conference on Information and Knowledge Systems, Inès Saad, Camille Rosenthal-Sabroux, Faiez Gargouri, Salem Chakhar, Nigel Williams, Ella Haig, Jun 2023, Portsmouth, United Kingdom. pp.81-97, ⟨10.1007/978-3-031-51664-1_6⟩ |
|
|
Extending DEAP with Active Sampling for Evolutionary Supervised LearningProceedings of the 16th International Conference on Software Technologies, ICSOFT 2021, Aug 2021, Online Streaming, France |
|
|
Genetic Programming over Spark for Higgs Boson Classification22nd International Conference Business Information Systems, Jun 2019, Seville, Spain. pp.300-312, ⟨10.1007/978-3-030-20485-3_23⟩ |
|
|
Genetic Algorithm to Detect Different Sizes’ Communities from Protein-Protein Interaction Networks14th International Conference on Software Technologies, Jul 2019, Prague, Czech Republic. pp.359-370, ⟨10.5220/0007836703590370⟩ |
|
|
Hierarchical Data Topology Based Selection for Large Scale Learning2016 Intl IEEE Conferences on Ubiquitous Intelligence & Computing, Advanced and Trusted Computing, Scalable Computing and Communications, Cloud and Big Data Computing, Internet of People, and Smart World Congress (UIC/ATC/ScalCom/CBDCom/IoP/SmartWorld), Jul 2016, Toulouse, France. pp.1221-1226, ⟨10.1109/UIC-ATC-ScalCom-CBDCom-IoP-SmartWorld.2016.0186⟩ |
Tuning Active Sampling Techniques for Evolutionary Learner from Big Data Sets: Review and DiscussionUIC/ATC/ScalCom/CBDCom/IoP/SmartWorld (2016 Intl IEEE Conferences), Jul 2016, Toulouse, France. pp.1206-1213, ⟨10.1109/UIC-ATC-ScalCom-CBDCom-IoP-SmartWorld.2016.0184⟩ |
|
|
|
Forecasting Financial Volatility Using Nested Monte Carlo Expression Discovery2015 IEEE Symposium Series on Computational Intelligence (SSCI), Dec 2015, Cape Town, France. pp.726-733, ⟨10.1109/SSCI.2015.110⟩ |
|
|
Optimal Quantization : Evolutionary Algorithm vs Stochastic Gradient9th Joint Conference on Information Sciences, Oct 2006, Amsterdam, Netherlands. ⟨10.2991/jcis.2006.161⟩ |
|
|
The need for improving the exploration operators for constrained optimization problems2000 Congress on Evolutionary Computation, Jul 2000, La Jolla, United States. pp.1176-1183, ⟨10.1109/CEC.2000.870781⟩ |
|
|
An Adaptive Algorithm for constrained optimization problemsPPSN 2000, Sep 2000, Paris, France |
Evolutionary AlgorithmsJohn Wiley & Sons, Ltd, 2017 |
|
Evolutionary algorithmsISTE Ltd, John Wiley & sons Volume 9, pp.236, 2017, Computer engineering series, metaheuristics set, Computer engineering series, metaheuristics set, 978-1-84821-804-8 |
Algorithm vs Processing Manipulation to Scale Genetic Programming to Big Data MiningMetaheuristics for Machine Learning, pp.179-199, 2023, ⟨10.1007/978-981-19-3888-7_7⟩ |
|
Evolutionary algorithmsMetaheuristics, Springer, pp.115 - 178, 2016, 978-3-319-45401-6. ⟨10.1007/978-3-319-45403-0_6⟩ |
|
|
|
Sampling Methods in Genetic Programming Learners from Large Datasets: A Comparative StudySpringer. Advances in Big Data, 529, pp.50-60, 2016, Advances in Intelligent Systems and Computing, 978-3-319-47897-5. ⟨10.1007/978-3-319-47898-2_6⟩ |
Les algorithmes évolutionnairesMétaheuristiques : recuit simulé, recherche avec tabous, recherche à voisinages variables, méthode GRASP, algorithmes évolutionnaires, fourmis artificielles, essaims particulaires et autres méthodes d'optimisation, Eyrolles, pp.115 - 173, 2014, Algorithmes, 978-2-212-13929-7 |
|
|
|
Dynamic Hedging using Generated Genetic Programming Implied Volatility ModelsGenetic Programming - New Approaches and Successful Applications, InTech, 2012, ⟨10.5772/48148⟩ |
(AM)BI-LPA: Label Propagation on Microbiome Graphs for Generalizable Ecological QualityAssessmentAutre publication scientifique hal-05526801v1 |
|
|
|
L'impact du choix des données d'apprentissage dans la génération des IDS par la programmation génétique2008 |
|
|
Liage des données par les systèmes de recommandation intelligents dans une démarche d'optimisation de la qualité des données2021 |
Nested Monte Carlo Expression Discovery vs Genetic Programming for Forecasting Financial Volatility2020 |
|
|
Algorithmes Evolutionnaires: Prise en compte des contraintes et Application RéelleInformatique [cs]. Université Paris Saclay, 2001. Français. ⟨NNT : ⟩ |