Thesis (M.Sc)-Cairo University, 2025.

Bibliography: pages 66-69.

The system improves datasets by filtering low-quality samples and generating high-quality synthetic data. Evaluated across various models, it demonstrated notable improvements in accuracy, precision, recall, and F1-score. While scalability to large datasets remains a challenge, the system shows potential in critical domains like healthcare, finance, and autonomous systems. Future work includes advanced data augmentation and adaptation for diverse data types. The system's adaptability enables continuous model improvement and robust decision-making when integrated into existing machine learning pipelines.

عمل النظام على تحسين مجموعات البيانات عن طريق تصفية العينات ذات الجودة المنخفضة وإنشاء بيانات تركيبية عالية الجودة.
تم تقييم النظام عبر نماذج متنوعة، وأظهر تحسينات ملحوظة في الدقة والدقة التنبؤية والاسترجاع ودرجة F1.
رغم أن قابلية التوسع لمجموعات البيانات الكبيرة لا تزال تمثل تحديًا، إلا أن النظام يظهر إمكانات واعدة في مجالات حيوية مثل الرعاية الصحية والتمويل والأنظمة الذاتية. تشمل الأعمال المستقبلية تطوير تقنيات تعزيز البيانات وتكييف النظام لأنواع بيانات متنوعة.
تُمكّن مرونة النظام من تحسين النموذج بشكل مستمر واتخاذ قرارات أكثر دقة عند دمجه في خطوط الأنظمة الذكية الحالية.
يعتمد النظام على إزالة البيانات ذات الجودة المنخفضة وإنشاء بيانات جديدة تعزز من دقة التنبؤ بالنموذج. تُعد هذه الخطوة أساسية نحو تحسين النماذج في البيئات ذات التحديات الكبيرة والمتغيرة باستمرار.

Issues also as CD.

Text in English and abstract in Arabic & English.