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

الأبحاث المرتبطة بالكلمة المفتاحية: مجموعة الاختبار




  • التعلم الجماعي القابل للتفسير باستخدام SHAP لاكتشاف الشذوذ في ERP

    2026 | المؤلف: Adiah Qazi وآخرون | المجلة: Scientific Reports | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تقدم البحث إطار عمل للتعلم الجماعي القابل للتفسير مصمم لاكتشاف الشذوذ في أنظمة تخطيط موارد المؤسسات (ERP) داخل بيئات التصنيع. على الرغم من الأداء العالي لنماذج الشبكات العصبية الفردية، التي تحقق درجات F تفوق 0.90 على مجموعات بيانات صناعية، إلا أنها تفتقر إلى القابلية للتفسير اللازمة للامتثال التنظيمي. يدمج الإطار المقترح ستة نماذج متنوعة لاكتشاف…


  • التعلم العميق على تضمينات نموذج لغة البروتين يفتح تنبؤًا دقيقًا لذوبانية البروتين

    2026 | المؤلف: Jing Cui وآخرون | المجلة: Frontiers in Microbiology | المجال: علم الأحياء الجزيئي (Molecular Biology)

    تقدم ورقة البحث DeepSolNet، وهو نموذج جديد للتعلم العميق مصمم للتنبؤ بذوبانية البروتين، معالجًا التحديات التي تطرحها طي البروتين بشكل خاطئ في أنظمة التعبير بدائية النواة، وخاصة في *Escherichia coli*. يستخدم النموذج نماذج لغة البروتين المتقدمة ويجمع بين بنية متعددة الوحدات التي تجمع بين التضمينات السياقية من ESM Cambrian مع الشبكات العصبية طويلة وقصيرة المدى…


  • التعلم الفيدرالي الذي يحافظ على الخصوصية مع شبكات CNN المحسنة ذات الانتباه الخفيف للكشف الآلي عن اللوكيميا عبر التصوير الطبي الموزع

    2026 | المؤلف: Muhammad Zeerak Awan وآخرون | المجلة: Scientific Reports | المجال: الرؤية الحاسوبية والتعرف على الأنماط (Computer Vision and Pattern Recognition)

    تقدم هذه البحث إطار عمل خفيف الوزن وآمن وقابل للتفسير للتعلم الفيدرالي مصمم للتصنيف التلقائي لسرطان الدم. يتناول الإطار القضايا الحرجة المتعلقة بأمان البيانات السريرية وتطوير النماذج التعاونية بين مؤسسات الرعاية الصحية. من خلال استخدام نهج التعلم الموزع، يمكن للعديد من المرافق الصحية بناء نموذج تصنيف عالي الأداء بشكل تعاوني دون مشاركة بيانات المرضى الحساسة،…


  • الاستفادة من التعلم الانتقالي للتقدير الدقيق لحواجز هجرة الأيونات في المواد الصلبة

    2026 | المؤلف: Reshma Devi وآخرون | المجلة: npj Computational Materials | المجال: كيمياء المواد (Materials Chemistry)

    في هذا القسم، يتناول المؤلفون التحدي الحاسم المتمثل في توقع حاجز هجرة الأيونات ($E_m$) في المواد الصلبة، والذي يؤثر بشكل كبير على أداء التطبيقات مثل البطاريات، وخلايا الوقود، وأجهزة الاستشعار الكهروكيميائية. غالبًا ما كانت الطرق التقليدية لتحديد المواد ذات $E_m$ المنخفض تعتمد على أوصاف غير دقيقة. للتغلب على هذا القيد، يقترح المؤلفون بنية قائمة على…


  • مجموعة البيانات لتوسيع تقييم EMNIST

    2026 | المؤلف: Julian Szymański وآخرون | المجلة: Scientific Data | المجال: الرؤية الحاسوبية والتعرف على الأنماط (Computer Vision and Pattern Recognition)

    يقدم هذا القسم من الورقة نظرة شاملة على مجموعة بيانات تم إنشاؤها حديثًا تهدف إلى تعزيز تقييم نماذج التعلم الآلي للتعرف على الأحرف المكتوبة بخط اليد. تم تصميم مجموعة البيانات لتكمل قواعد بيانات NIST الموجودة، مما يسهل تحليلًا أكثر شمولاً للنماذج المطورة باستخدام هذه المصادر البيانية. يلخص المؤلفون نماذج التعلم الآلي المتاحة للجمهور والتي تم…


  • نهج تعلم بدون أمثلة لتصنيف النصوص الدقيقة

    2026 | المؤلف: Zirui Zhang وآخرون | المجلة: Scientific Reports | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تتناول الورقة البحثية التحديات المتعلقة بالتصنيف الدقيق للنصوص العسكرية على وسائل التواصل الاجتماعي، والتي تعيقها البيانات المعلّقة المحدودة وضرورة المعرفة العميقة بالمجال. لمواجهة هذه القضايا، يقترح المؤلفون إطار عمل جديد يدمج بين فحص النصوص وتعلم المحفزات. يستخدم هذا الإطار طريقة تجمع بين معجم محدد للمجال وخوارزمية تكرار المصطلحات-تكرار الوثائق المعكوسة (TF-IDF) المحسّنة لتصفية النصوص بشكل…


  • إطار عمل التعلم العميق القائم على YOLO لمراقبة صحة النباتات متعددة الفئات في الوقت الحقيقي في الزراعة الدقيقة

    2026 | المؤلف: Anurag Rana وآخرون | المجلة: Scientific Reports | المجال: علوم النبات (Plant Science)

    تقدم البحث نهجًا قويًا للكشف عن صحة أوراق النباتات باستخدام أطر كشف الكائنات YOLOv8 و YOLOv11. من خلال استخدام نماذج مسبقة التدريب تم تعزيزها من خلال التعلم الانتقالي والتخصيص الدقيق الخاص بالمجال، حققت الدراسة متوسط دقة (mAP) يتجاوز 92% على مجموعة بيانات التحقق. أدى تنفيذ تقنيات تعزيز البيانات المتقدمة إلى تعزيز مرونة النماذج بشكل كبير…


  • تحليل مقارن للكشف الآلي عن الأخطاء في كرة القدم باستخدام هياكل التعلم العميق

    2025 | المؤلف: Abdallah Rabee وآخرون | المجلة: Scientific Reports | المجال: جراحة العظام وطب الرياضة (Orthopedics and Sports Medicine)

    تقيّم هذه الدراسة أداء ثمانية هياكل متقدمة من التعلم العميق (DL) – EfficientNetV2 و ResNet50 و VGG16 و Xception و InceptionV3 و MobileNetV2 و InceptionResNetV2 و DenseNet121 – في سياق الكشف التلقائي عن الأخطاء في كرة القدم. باستخدام مجموعة بيانات تتكون من 7000 صورة، تم تدريب النماذج واختبارها باستخدام مجموعة اختبار متوازنة من 700 صورة،…


  • البحث في التعرف على وجه الأغنام بناءً على تقنية دمج معلومات الميزات متعددة الأبعاد في بيئة معقدة

    2025 | المؤلف: Fu Zhang وآخرون | المجلة: Frontiers in Veterinary Science | المجال: الحيوانات الصغيرة (Small Animals)

    تقدم البحث نظام مراقبة ذكي ثلاثي المراحل لإدارة الماشية على نطاق واسع، مستفيدًا من تقنيات التعلم العميق لتعزيز مراقبة قطعان الأغنام. يتكون النظام من شبكة كشف متعددة الأجزاء لعد قطعان الأغنام، ونموذج تصنيف الوجه للتعرف على الهوية، وشبكة تحليل تعبير الوجه لتقييم الصحة. تشمل الابتكارات الرئيسية تعديلات على بنية YOLOv5s، مثل دمج كتلة دمج الالتفاف…


  • تحليل تقييم النماذج باستخدام التحقق المتقاطع: التقنيات والتطبيقات والتطورات الحديثة

    2024 | المؤلف: Jinhui Qiu | المجلة: Advances in Economics Management and Political Sciences | المجال: علم الإدارة وبحوث العمليات (Management Science and Operations Research)

    تقدم هذه القسم نظرة عامة على تقنيات التحقق المتبادل في تعلم الآلة، مع التأكيد على دورها في تعزيز تقييم النموذج ودقة التنبؤ. يتضمن التحقق المتبادل تقسيم البيانات إلى مجموعات تدريب واختبار، مما يسمح بإعادة استخدام العينات عبر مجموعات مختلفة. يبرز البحث ثلاث طرق رئيسية للتحقق المتبادل: التحقق المتبادل K-Fold، والتحقق المتبادل الطبقي K-Fold، وLeave-One-Out Cross-Validation…


1 2
التالي→

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