000			06406namaa22004331i 4500
003			EG-GICUC
005			20251103121208.0
008			251103s2025 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	_a510
092			_a510 _221
097			_aM.Sc
099			_aCai01.12.17.M.Sc.2025.Ra.U
100	0		_aRadwa Taher Mohamed Khalil, _epreparation.
245	1	0	_aUsing optimization and machine learning methods to improve predictive models of common diseases / _cby Radwa Taher Mohamed Khalil ; Supervisors Dr. Areeg Abdalla, Dr. Sameh Hassanien Basha.
246	1	5	_aاستخدام طرق التحسين و التعلم الألى لرفع كفاءة النماذج التنبؤية ألمراض شائعة
264		0	_c2025.
300			_a94 pages : _billustrations ; _c25 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 87-94.
520		3	_aPredicting common diseases is crucial to improve people’s quality of life and save their lives. There are various methods for early prediction about common diseases, but they all effort and money consuming. So machine learning algorithms were used as it can help reduce cost and effort. The goal of our thesis is to enhance these models and optimize their functionality throughout various stages. Preprocessing, feature se- lection, handling imbalanced datasets, classification, and hyper parameters fine-tuning machine learning models comprise the five primary phases of our suggested model flow. Dataset cleaning, handling missing data and standardization are the techniques used in preprocessing stage. Tomek-Linked Based Under Sampling (RTLU) and Interquartile Range (IQR) are used as outlier removing techniques in preprocessing stage. Extra tree was used for feature selection. Synthetic Minority Over-sampling Technique (SMOTE) was used in diabetes problem and Random Over Sampling (ROS) was used in liver disease to address the imbalance in data. Comparisons between different classifiers have been done. We, also, proposed a novel Chaotic Whale Optimization Algorithm (CWOA) to tune the hyper-parameters of the classifiers. Several performance evalu- ation metrics were used to evaluate the proposed model. Accuracy, recall, precision, specificity, area under curve (AUC) and f-score were used to test the improvement af- ter each stage. The presented model consistently outperformed earlier findings across all performance criteria, establishing its superiority on previous work and state of art classifiers.
520		3	_aالتنبؤ بالأمراض الشائعة أمر بالغ الأهميه لتحسين جودة حياة الناس وإنقاذ حياتهم من الهلاك. هناك طرق تستهلك الجهد مختلفة للتنبؤ المبكر للامراض الشائعة، ولكنها جميعا تستهلك الجهد والمال. لذلك تم استخدام خوارزميات ً التعلم الالى التى يمكن أن تساعد في تقليل التكلفة والجهد. الهدف من أطروحتنا هو تحسين هذه النماذج وتحسين أدائها عبر مراحل متعددة. يتضمن النموذج المقترح خمس مراحل رئيسية: المعالجة المسبقة، اختيار أفضل الخصائص القادره على التنبؤ ، التعامل مع البيانات غير المتوازنة، التصنيف باستخدام نماذج تعلم الالى، وضبط المعايير الفائقة لنماذج التعلم الالى. تشمل المرحله الاولى؛ تقنيات المعالجة المسبقة، تنظيف البيانات، التعامل مع البيانات المفقودة والتوحيد القياسي. كطرق إلزالة القيم المتطرفة في مرحلة المعالجة المسبقة مثل المدى بين الربعين و تقليل العينات باستخدام تقنيه توميك (TLU_R) تم استخدام تقنيه الشجره العظمى (Tree-Extra) لختيار أفضل العناصر القادره على التنبؤ. تم استخدام تقنيه زياده فئه العينه الأقل فى التنبؤ بمرض السكرى و استخدام تقنيه الزياده العشوائيه لفئات العينات الأقل عددا فى مساله التنبؤ بمرض الكبد لمعالجه عدم التوازن الموجود فى البيانات. تم إجراء مقارنات بين أداء المراحل المختلفه و مقارنه بين أداء الخوارزميات المستخدمه للتنبؤ. كما تم تقديم مقترح خوارزميه لتحسين أداء نماذج التنبؤ جديده تعتمد على ظبط المعايير الفائقه لنماذج التنبؤ. هذا المقترح هو استخدام النموذج الرياضى المحاكى لحركه الحيتان فى الصيد و تعديل بعض المعايير فيه باستخدام معادلات العشوائيه فى ظبط معايير نماذج التنبؤ. تم استخدام العديد من مقاييس الأداء لتقييم النموذج المقترح مثل الدقة، الإستدعاء، الدقة التنبؤية، التحديد، المساحة تحت المنحنى .النموذج المقدم تفوق باستمرار على النتائج السابقة عبر جميع معايير الأداء، مما يثبت تفوقه على الأعمال السابقة.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aMathematics
650		0	_aالرياضيات
653		0	_aArtifial intelligence _aMachine learning _aCommon disease Prediction _aDiabetes prediciton _aLiver prediction _aSwarm Optimization _aChaotic Equations
700	0		_aAreeg Abdalla _ethesis advisor.
700	0		_aSameh Hassanien Basha _ethesis advisor.
900			_b01-01-2025 _cAreeg Abdalla _cSameh Hassanien Basha _UCairo University _FFaculty of Science _DDepartment of Mathematics
905			_aShimaa
942			_2ddc _cTH _e21 _n0
999			_c175444