يهدف هذا البحث إلى دراسة فعالية تقنيات التعلم الآلي في تشخيص مرض الشريان التاجي (CAD) بشكل مبكر ودقيق، بهدف تحسين نتائج المرضى وتقليل الحاجة إلى الإجراءات الطبية التدخلية. حيث تم تحليل ومقارنة عدة خوارزميات مثل الشبكات العصبية، أشجار القرار، وآلات الدعم الناقل، بالإضافة إلى أساليب التجميع مثل Random Forest وXGBoost باستخدام بيانات طبية متاحة. كما ركّز البحث على معالجة مشكلة عدم توازن البيانات باستخدام تقنيات مثل SMOTE وADASYN لتحسين دقة النماذج. وأظهرت النتائج أن نماذج التجميع، خاصة XGBoost، تحقق أداءً أفضل من غيرها، مما يؤكد إمكانية استخدام التعلم الآلي كأداة فعالة وغير جراحية للكشف المبكر عن المرض وتعزيز الرعاية الصحية الوقائية.

يهدف هذا البحث إلى تقييم كفاءة نماذج التعلم العميق المتكررة، وتحديدًا LSTM وGRU، في كشف التسللات داخل بيئات إنترنت الأشياء (IoT) التي أصبحت أكثر عرضة للهجمات السيبرانية نتيجة التوسع الكبير في أجهزتها وترابطها.

يركز البحث على مقارنة أداء هذين النموذجين باستخدام ثلاث مجموعات بيانات معيارية مختلفة هي: NF-ToN-IoT وUNSW-NB15 وBoT-IoT، بعد إجراء عمليات المعالجة المسبقة عليها. ويهدف ذلك إلى قياس دقة وكفاءة كل نموذج في اكتشاف الأنشطة الخبيثة ضمن سيناريوهات متعددة.

تُظهر نتائج الدراسة أن كلا النموذجين يحققان أداءً عاليًا في كشف التسللات، حيث سجلا دقة تصل إلى 99% في مجموعة BoT-IoT، بينما تفوق نموذج  GRU قليلًا في مجموعة UNSW-NB15، في حين أظهر نموذج LSTM تحسنًا طفيفًا في مجموعة NF-ToN-IoT.

بشكل عام، يهدف البحث إلى إثبات فعالية استخدام نماذج التعلم العميق المتكررة في تعزيز أمن إنترنت الأشياء، وتقديم توصيات عملية لاختيار النموذج الأنسب حسب نوع البيانات، مع الإشارة إلى أهمية التوسع مستقبلًا في استخدام نماذج هجينة وتقنيات أحدث مثل المحولات (Transformers).

يهدف هذا البحث إلى تطوير إطار حديث قائم على التعلم العميق القابل للتفسير (XDL) لمعالجة التحديات المرتبطة بتعقيد وتنوع البيانات الطبية الحيوية، مع الحفاظ على دقة التنبؤ وإمكانية تفسير النتائج. يسعى البحث إلى تعزيز ثقة الأطباء في أنظمة الذكاء الاصطناعي من خلال دمج تقنيات تفسير متقدمة مثل Grad-CAM وSHAP، مما يتيح فهمًا أوضح لكيفية اتخاذ النموذج لقراراته.

كما يركز البحث على تحليل بيانات طبية متعددة الأنماط، تشمل الصور الطبية، والبيانات الجينومية، والسجلات الصحية الإلكترونية، بهدف تحسين دقة التشخيص ودعم اتخاذ القرار السريري. وأظهرت النتائج أن النموذج المقترح يحقق أداءً عاليًا مع قابلية تفسير مرتفعة، متفوقًا على النماذج التقليدية من حيث الدقة والشفافية.

بشكل عام، يهدف البحث إلى تقديم حل متكامل يجمع بين الكفاءة والتفسير، مما يساهم في تحسين جودة الرعاية الصحية، تسريع عملية التشخيص، والالتزام بمتطلبات الشفافية في التطبيقات الطبية.

يهدف هذا البحث إلى التنبؤ بمرض السكري من النوع الثاني باستخدام تقنيات التعلم الآلي، مع التركيز على تحليل العوامل المؤثرة مثل العمر، الجنس، ومؤشر كتلة الجسم (BMI) باعتبارها خصائص أساسية. يعتمد البحث على استخدام خوارزميتي شجرة القرار وRandom Forest لتحليل بيانات مرضى السكري المستمدة من قاعدة بيانات تحتوي على 1000 سجل تشمل مرضى سكري، ما قبل السكري، وأشخاص غير مصابين.

يتميز هذا البحث باستخدام نظام تصنيف ثلاثي بدلاً من التصنيف الثنائي التقليدي، مما يتيح دقة أكبر في التمييز بين الحالات المختلفة. كما تم اقتراح خوارزمية جديدة تركز على أهم العوامل المؤثرة في التنبؤ بالمرض. وأظهرت النتائج تحقيق دقة عالية جدًا، حيث بلغت 99.3% باستخدام شجرة القرار مع الحفاظ على توازن البيانات.

بشكل عام، يهدف البحث إلى تقديم نموذج فعال ودقيق يساعد في الكشف المبكر عن مرض السكري، مما يساهم في تحسين الوقاية واتخاذ القرارات الطبية المناسبة.

يهدف هذا البحث إلى تحسين جودة العملية التعليمية من خلال تطوير نظام تعلم تكيفي يقوم بتحليل سلوك وتفاعل الطلبة داخل بيئات التعلم الافتراضية (VLE)، بهدف تحديد أنماط التعلم المفضلة لديهم مثل البصري، السمعي، والحركي (VAK). يسعى النظام المقترح إلى ربط أنشطة الطلبة داخل المنصة بأنماط تعلمهم، ومن ثم تصنيفهم وفق تفضيلاتهم التعليمية باستخدام تقنيات التعلم الآلي.

كما يركز البحث على اقتراح أدوات تقييم تعليمية مناسبة لكل طالب بناءً على نمط تعلمه، مما يساهم في تحسين طرق التدريس والتقييم. وقد تم استخدام مجموعة بيانات (OULAD) لاختبار كفاءة النظام، حيث أظهرت النتائج أن خوارزمية Random Forest حققت أعلى دقة بلغت 98%.

بشكل عام، يهدف البحث إلى تعزيز التخصيص في التعليم الإلكتروني، بما يضمن تجربة تعليمية أكثر فعالية تلبي احتياجات كل طالب وفق أسلوب تعلمه الخاص.

يهدف هذا البحث إلى تحسين دقة التنبؤ بمرض الشريان التاجي من خلال تطوير نموذج جديد يعتمد على مجموعة من خوارزميات التعلم الآلي. تم استخدام بيانات (Z-Alizadeh Sani) مع تطبيق تقنيات لمعالجة عدم توازن البيانات مثل SMOTE-ENN، مما يساعد في تحسين جودة التدريب وزيادة موثوقية النتائج.

كما ركّز البحث على تقليل تعقيد النموذج وتسريع عملية المعالجة من خلال اختيار أهم الخصائص باستخدام طريقتي Chi-square وRFE، حيث تم تقليص عدد السمات من 56 إلى 26 سمة فقط. وتم اختبار عدة خوارزميات قبل وبعد موازنة البيانات، ثم تم تطبيق أسلوب التصنيف التجميعي (Ensemble) بالاعتماد على أفضل أداء.

وأظهرت النتائج أن النموذج التجميعي، الذي يجمع بين الانحدار اللوجستي وLightGBM وAdaBoost، حقق أعلى دقة بلغت 98.9%، متفوقًا على النماذج الفردية. وبذلك يهدف البحث إلى تقديم نموذج أكثر دقة وكفاءة للمساعدة في التشخيص المبكر وتحسين الرعاية الصحية.