000			07961namaa22004211i 4500
003			OSt
005			20250519103313.0
008			250423s2024 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a005.1
092			_a005.1 _221
097			_aM.Sc
099			_aCai01.18.07.M.Sc.2024.Ma.E
100	0		_aMarwa Maher Taha Sakr, _epreparation.
245	1	0	_aEarly autism spectrum disorder using machine learning / _cby Marwa Maher Taha Sakr ; Supervision of Prof. Dr. Mervat Gheith, Dr. Tarek Aly.
246	1	5	_aاضطراب طيف التوحد المبكر باستخدام التعلم الآلي /
264		0	_c2024.
300			_a56 leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2024.
504			_aBibliography: pages 53-56.
520			_aIn recent years, awareness of autism spectrum disorder has grown faster than before. As everyone is aware, it is a disorder of neurodevelopment that also encompasses problems with conduct and social interaction. The degree of symptom severity and everyone’s experience with autism spectrum vary. Any age can be used to diagnose autism. According to research, violence, self-harm, elopement. tantrums, preoccupation, and lack of obedience are behavior patterns most frequently observed in people with autism. Therefore, it is imperative to spot any sign of severe it as soon as possible. the proposed research model for diagnosing autism spectrum disorder by collecting data through a general questionnaire while ensuring data privacy. The questionnaire, based on the Autism Spectrum Quotient-10, was supplemented with individual features identified by specialized experts. The research model consists of four phases: pre-processing data, adding features and improving algorithms, developing a combined model, and creating an implementation model. In the pre-processing phase, data quality was improved, and Additional individual features were incorporated through the questionnaire to enhance machine learning algorithm performance. The results show better performance for the Support Vector Machine algorithm. A comparative performance analysis among the algorithms was used to build the combined model, built by integrating three algorithms using Ensemble learning. Finally, Test scenarios for proposed model achieved a 98.9 % With accuracy the majority of algorithms exhibited good accuracy when applied in this domain.
520			_aاضطراب طيف التوحد هو اضطراب نمو عصبي معقد يؤثر على التطور الطبيعي لمهارات الاندماج الاجتماعي والتواصل فهناك خلل في التفاعلات الاجتماعية والتواصل اللفظي والغير لفظي ومشاكل في كيفية استيعاب المعلومات عن طريق الحواس وأنماط محددة من السلوكيات المتكررة اشتمل مصطلح (اضطراب طيف التوحد) على أمراض النمو الأكثر انتشاراً اضطراب التوحد الكلاسيكي، اضطراب اسبرجر، وُصف الاضطراب بالطيف لان حدة اعراضه تتراوح بين خفيفة إلى شديدة، فالأعراض إٍذ مثل الطيف له نطاقات مختلفة. من أجل تشخيص اضطراب طيف التوحد، يجب وجود مشكلة واحدة على الأقل من النواحي الآتية قبل (3 سنوات) مشاكل في التواصل أو التفاعل الاجتماعي أو وجود السلوك المقيد، حيث إنها تستغرق وقتاً كبيراً وتعتمد على خبرة الطبيب كما انه يضع عبأ كبير على الاسرة وخضوعهم داخل دائرة بيزنس تعديل السلوك فيؤدي ذلك الي تأخير تحديد ما إذا كان مصاباً أم لا. من المهم سرعة اكتشاف الاضطراب وتحديد مستواه لتقديم المساعدة للمريض وذويه لتحسين الحياة المقدمة له والعمل على تنمية مهاراته العقلية والاجتماعية. لذلك، فهناك احتياج كبير في مجال الذكاء الاصطناعي لنظام تشخيص دقيق بمساعدة الحاسوب لمساعدة الأطباء وأخصائيين التخاطب وحتى أولياء امر المريض فالتشخيص السريع للاضطراب. تتطلب أساليب التعلم الآلي التقليدية استخراج المعالم وهي عملية يدوية تستغرق وقتاً طويلاً وتتطلب معرفة سابقة بمجال المشكلة. ومع التطور الكبير للتعلم الآلي فالآونة الأخيرة فالمجال الطبي أظهرت خوارزميات التعلم الآلي أداءاً متفائلاً في أنظمة التنبؤ والتشخيص الطبي بدقه عالية. وفي هذه الأطروحة، نقترح تصنيفاً قائماً على (AQ-10) أداة حاصل طيف التوحد مع البالغين المصابين بالتوحد المحتمل والذين لا يعانون من إعاقة تعلم متوسطة وشديدة تساعد في تحديد ما إذا كان ينبغي إحالة الفرد لتقييم شامل للتوحد أم لا. لقد استخدمنا العديد من نماذج التعلم الخاضعة للإشراف المتوفرة في إحدى مكتبات بايثون، بما في ذلك أشجار القرار والغابات العشوائية، (SVM)، , (KNN) ,(NB) والانحدار اللوجستي، للتنبؤ بوجود اضطراب طيف التوحد (ASD). في الأفراد. تم جمع مجموعة البيانات التي استخدمناها من خلال استبيان عام بعد استشارة خبراء المجال لإضافة ميزات فردية مهمة وتحسين أداء خوارزميات التعلم الآلي. استخدمنا أيضًا ترميزًا سريعًا لتحويل المتغيرات الفئوية إلى شكل رقمي وتقسيم البيانات إلى مجموعات تدريب واختبار. وأخيرًا، قمنا بتقييم أداء كل نموذج باستخدام التحقق المتبادل بخمسة أضعاف. أظهرت نتائجنا أن SVM وأشجار القرار ونماذج الانحدار اللوجستي كانت الأكثر فعالية في مهمة التصنيف هذه. حققت هذه النماذج مستويات عالية من الدقة والتذكر والإحكام، مما يشير إلى قدرتها على تشخيص اضطراب طيف التوحد. لقد قمنا أيضًا بدمج هذه الخوارزميات الثلاثة لبناء نموذج أكثر دقة وكفاءة واستطعنا تحقيق نسبه دقه ۹٨.۹%. تسلط دراستنا الضوء على أهمية تنظيف البيانات وخطوات المعالجة المسبقة لضمان دقة وموثوقية البيانات للتحليل.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		7	_aSoftware Engineering _2qrmak
653		0	_aArtificial Intelligence _aAutism spectrum disorder _aMachine learning _aclassification _aDataset _aSVM _aKNN _aRandom Forest _aLogistic regression
700	0		_aMervat Gheith _ethesis advisor.
700	0		_aTarek Aly _ethesis advisor.
900			_b01-01-2024 _cMervat Gheith _cTarek Aly _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Software Engineering
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c171674