HINDAWI Mohammed

Équipe de recherche

Ingénierie et Outils numériques

Thèmes de recherche

• Apprentissage Automatique
• Réduction de dimensions / Sélection de variables
• Santé numérique
• Estimation état de batteries

---

Activités pédagogiques

• Disciplines : Informatique, formation par la recherche
• Modalités : Tutorat pédagogique, Conception pédagogique module/bloc du cycle préparatoire/cycle ingénieur.
• Niveau : CPI 1ère et 2ème années, Ingénieurs 1ère et 2ème années
• Spécialités : Systèmes embarqués, Programmation orientée-objet, Programmation systèmes, Bases de données, IA, Algorithmique Avancée,

Programmes de recherche en cours

Réduction de dimensions pour l’apprentissage automatique semi-supervisé

Animation scientifique et vie de laboratoire

• Thème 2 – Axe : Automatisation avancée : IA et science des données.
• Membre du groupe de travail : IA frugale et embarqué

Encadrement de thèses

• Trésor YAO KOFFI(Thèse) : Vers une approche multimodale en utilisant l’apprentissage automatique/profond : Application pour le suivi des patients dans un espace connecté

Publications

• ACL : 3
• C-ACTI : 7
• C-ACTN : 2
• C-COM : 1

Publications sélectionnées

• Mohammed Hindawi, Yasir Basheer, Saeed Mian Qaisar, Asad Waqar. « An Overview of Artificial Intelligence Driven Li-Ion Battery State Estimation ». Chapitre d’ouvrage scientifique – février 2024 – 1

• TY. Koffi, Y. Mourchid, M. Hindawi, Y. Dupuis. « Machine Learning and Feature Ranking for Impact Fall Detection Event Using Multisensor Data ». The IEEE International Workshop on MultiMedia Signal Processing (MMSP 2023). 

• Khalid Benabdeslem, Haytham Elghazel, Mohammed Hindawi, ”Ensemble constrained Laplacian score for efficient and robust semi-supervised feature selection.,” Knowledge and Information Systems KAIS, 49(3) : 1161-1185 (2016)
• Khalid Benabdeslem, Mohammed Hindawi, Raywat Makkhongkaew, ”Weighting Based Approach for Semi-supervised Feature Selection.,” (ICONIP 2015) : 300-307
• Khalid Benabdeslem, Mohammed Hindawi, ”Efficient Semi-supervised Feature Selection: Constraint, Relevance and Redundancy,” IEEE Transactions on Knowledge and Data Engineering TKDE, 26(5): 1131-1143 (2014). IEEE computer Society Digital Library. IEEE Computer Society.
• Mohammed Hindawi, Khalid Benabdeslem, ”Local-to-Global Semi-Supervised Feature Selection”. Accepted by 22nd ACM International Conference on Information and Knowledge Management (CIKM 2013)
• M. Hindawi, K. Allab, K. Benabdeslem. Constraint selection based semi-supervised feature selection. In the proceeding of ICDM. IEEE International Conference on Data Mining, pp 1080-1085, 11-14 December 2011