تخطى إلى المحتوى
العالِم العربي
  • الصفحة الرئيسية
  • مجالات الأبحاث
  • أحدث الأبحاث
  • عن الموقع
  • تواصل معنا
  1. الرئيسية
  2. قائمة الكلمات المفتاحية
  3. تعلم الآلة

الأبحاث المرتبطة بالكلمة المفتاحية: تعلم الآلة




  • Deep-ProBind: التنبؤ بالبروتينات المرتبطة باستخدام نموذج التعلم العميق القائم على المحولات

    2025 | المؤلف: Salman Khan وآخرون | المجلة: BMC Bioinformatics | المجال: علم الأحياء الجزيئي (Molecular Biology)

    تناقش هذه القسم أهمية البروتينات المرتبطة في الأنظمة البيولوجية، مع التركيز على تفاعلاتها الانتقائية مع جزيئات مثل الحمض النووي، RNA، والببتيدات، والتي تعتبر حاسمة لمختلف الوظائف الخلوية. غالبًا ما تكون الطرق التقليدية لتحديد الببتيدات المرتبطة بالبروتينات غير فعالة وتفتقر إلى الدقة بسبب تركيزها على ميزات التسلسل القريبة دون النظر في البيانات الهيكلية. لمعالجة هذه التحديات،…


  • التقدير القوي لنماذج الانحدار غير المتجانسة: نظرة عامة موجزة واقتراحات جديدة

    2025 | المؤلف: Conceiçāo Amado وآخرون | المجلة: Statistical Papers | المجال: الإحصاء والاحتمالات (Statistics and Probability)

    تقدم هذه القسم نظرة عامة على الأبحاث التي تركز على نماذج الانحدار التي تأخذ في الاعتبار الأخطاء غير المتجانسة، وخاصة في وجود عدم الخطية والنقاط الشاذة. يبرز المؤلفون التحديات التي يواجهها الممارسون عندما تتقارب هاتان الظاهرتان، حيث يمكن أن تؤثر عدم التجانس بشكل كبير على دقة المقدرات، مما يعقد التعامل مع النقاط الشاذة. لمعالجة هذه…


  • نموذج هجين محسن بواسطة خوارزمية جينية لتوقع أسعار الزراعة استنادًا إلى VMD وشبكة

    2025 | المؤلف: Kapil Choudhary وآخرون | المجلة: Scientific Reports | المجال: علم الإدارة وبحوث العمليات (Management Science and Operations Research)

    تقدم ورقة البحث نموذجًا هجينيًا جديدًا للتنبؤ، يسمى VMD-LSTM، مصممًا لتعزيز دقة توقعات أسعار السلع الزراعية. غالبًا ما تكافح النماذج التقليدية مع الخصائص غير الخطية وغير الثابتة لبيانات الأسعار، مما يؤدي إلى توقعات دون المستوى الأمثل. يدمج نموذج VMD-LSTM خوارزمية جينية (GA) مع تحليل الوضع المتغير (VMD) والشبكات العصبية للذاكرة طويلة وقصيرة المدى (LSTM). تستخدم…


  • دمج بيانات التصوير المتعدد الوسائط مع التعلم الآلي لتحسين التشخيص والتنبؤ في تصوير الأعصاب

    2025 | المؤلف: Saurabh Bhattacharya وآخرون | المجلة: Frontiers in Human Neuroscience | المجال: علم الأعصاب الإدراكي (Cognitive Neuroscience)

    تقدم البحث إطار عمل هجين جديد للتعلم العميق يدمج بيانات التصوير بالرنين المغناطيسي الهيكلي (sMRI) والتصوير بالرنين المغناطيسي الوظيفي (fMRI) لتعزيز تشخيص وعلاج اضطرابات الدماغ، وخاصة مرض الزهايمر. من خلال استخدام مزيج من الشبكات العصبية التلافيفية (CNNs) ووحدات التكرار المغلقة (GRUs) ووحدة انتباه ديناميكية عبر الأنماط، تعالج الطريقة المقترحة بفعالية القيود المفروضة على تقنيات الدمج…


  • توقع تسرب الطلاب من خلال تحسين التعلم الآلي: رؤى من بيانات سجلات

    2025 | المؤلف: Zhenyun Du وآخرون | المجلة: Scientific Reports | المجال: تطبيقات علوم الحاسوب (Computer Science Applications)

    تناقش هذه الفقرة القضايا المستمرة المتعلقة بتسرب الطلاب والفشل الأكاديمي في التعليم، مع تسليط الضوء على إمكانية أنظمة إدارة التعلم مثل Moodle لتوفير بيانات قيمة للتحليلات التنبؤية. تركز الدراسة على استخدام الذكاء الاصطناعي، وبشكل خاص خوارزمية CatBoost، للتنبؤ بمعدلات التسرب والفشل من خلال تحليل سجلات نشاط الطلاب. لمعالجة التحديات المتعلقة بمجموعات البيانات المحدودة وغير المتوازنة،…


  • نموذج تعلم آلي قابل للتفسير لتوقع هطول الأمطار الموسمي

    2025 | المؤلف: Enzo Pinheiro وآخرون | المجلة: Communications Earth & Environment | المجال: علوم الغلاف الجوي (Atmospheric Science)

    في هذه الدراسة، قدم المؤلفون TelNet، وهو نموذج تعلم آلي قابل للتفسير مصمم لتوقع هطول الأمطار الموسمي على المدى القصير إلى المتوسط. يتكون النموذج من ثلاثة مكونات رئيسية: مشفر يعالج متغيرات الإدخال المتنوعة (المكانية، الزمنية، والثابتة)، ومفكك يشكل ميزات مهمة من خلال طبقة LSTM لالتقاط العلاقات الزمنية، ورأس توقع يولد توزيعًا تجريبيًا لكل نقطة شبكة…


  • خوارزمية البحث الجاذبي خطوة لتحسين الدوال واختيار الميزات المتزامن – تحسين المعلمات لنموذج

    2025 | المؤلف: Chaodong Fan وآخرون | المجلة: Artificial Intelligence Review | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تقدم البحث آلة دعم مصفوفة التنسور (STTM)، التي تستفيد من الارتباطات الكامنة في هياكل بيانات التنسور ولكن تواجه تحديات تتعلق بتدريب المعلمات غير الفعال والازدواجية الكبيرة في الميزات. لمعالجة هذه القضايا، يقترح المؤلفون خوارزمية البحث الجاذبي الخطوي (SGSA) التي تهدف إلى تعزيز اختيار الميزات المتزامن وتحسين المعلمات لـ STTM. تستخدم SGSA هيكل سكان مزدوج جديد،…


  • التنبؤ بالزلازل على المدى المتوسط القابل للتوسع باستخدام الشبكات العصبية متعددة الأنماط

    2025 | المؤلف: Yumeng Hu وآخرون | المجلة: Scientific Reports | المجال: الجيوفيزياء (Geophysics)

    تناقش هذه الفقرة التحديات في علم الزلازل المتعلقة بدمج بيانات رصد الزلازل المتنوعة وقيود نماذج التنبؤ الحالية. لمعالجة هذه القضايا، يقدم المؤلفون SafeNet، وهو إطار عمل للتعلم العميق قابل للتوسع يستخدم الشبكات العصبية للاندماج متعدد الأنماط. يقوم SafeNet بمعالجة مؤشرات زلزالية بُعدها 282 من كتالوجات الزلازل، ملتقطًا أنماط زلزالية متنوعة وربطها بمعلومات جيولوجية من خلال…


  • نماذج SHAP-XGBoost القابلة للتفسير لإصابات الضغط بين المرضى الذين يحتاجون إلى التهوية الميكانيكية في وحدة العناية المركزة

    2025 | المؤلف: Zheng Li وآخرون | المجلة: Scientific Reports | المجال: العلاج الوظيفي (Occupational Therapy)

    تركز هذه الدراسة على تطوير نموذج تنبؤي لإصابات الضغط لدى مرضى وحدة العناية المركزة الذين يخضعون للتنفس الصناعي، باستخدام تقنيات التعلم الآلي، وبشكل خاص XGBoost مع تحليل SHAP. قامت الدراسة بتحليل بيانات من قاعدة بيانات MIMIC-IV 2.2، والتي تشمل مجموعة من 29,448 مريضًا، حيث تطورت إصابات الضغط لدى 2,052 منهم. تم تقسيم مجموعة البيانات إلى…


  • اكتشاف الإنزيمات القوية والهندسة باستخدام التعلم العميق مع

    2025 | المؤلف: Zechen Wang وآخرون | المجلة: Nature Communications | المجال: النظرية الحسابية والرياضيات (Computational Theory and Mathematics)

    تسلط الأبحاث الضوء على أهمية التنبؤ بدقة بمعلمات الحركية الإنزيمية لاستكشاف الإنزيمات وتعديلها، مع معالجة القيود التي تعاني منها النماذج الحالية التي غالبًا ما تعاني من انخفاض الدقة أو الإفراط في التخصيص. يقدم المؤلفون نموذج تعلم عميق جديد، CataPro، الذي يستخدم نماذج مدربة مسبقًا وبصمات جزيئية للتنبؤ بالمعلمات الرئيسية مثل عدد الدوران ($k_{cat}$)، وثابت ميكاليز…


←السابق
1 … 65 66 67 68 69 … 147
التالي→

حقوق النشر © 2026 العالِم العربي. جميع الحقوق محفوظة. موقع العالِم العربي غير مسؤول عن محتوى المواقع الخارجية.