000			04727namaa22004331i 4500
003			EG-GICUC
005			20260415131718.0
008			260402s2025 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			_aPh.D
099			_aCai01.13.06.Ph.D.2025.Sa.N
100	0		_aSalma Abdelmonem Abdelmotaleb Mohamed, _epreparation.
245	1	0	_aNovel supervised and semi-supervised learning methods for handling class imbalance in customer churn prediction / _cby Salma Abdelmonem Abdelmotaleb Mohamed ; Supervisors Prof. Samir Ibrahim Shaheen, Dr. Dina Ahmed Mohamed Elreedy.
246	1	5	_aطرق مبتكرة للتعلم من البيانات المصنفة و البيانات شبه المصنفة في ظل عدم توازن البيانات وتطبيقها في توقع مغادرة العملاء
264		0	_c2025.
300			_a106 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2025.
504			_aBibliography: pages 95-106.
520		3	_aCustomer churn prediction involves identifying which customers are likely to leave or discontinue using a service. While using machine learning tech- niques can be beneficial for this prediction, there are some challenges that arise from the characteristics of the datasets involved. In this thesis, we present novel two supervised and semi-supervised approaches for learning from class-imbalanced datasets like in customer churn prediction applica- tions. First, we propose a novel algorithm-level adaptation to the supervised Gaussian Process Classifier (CIRA) which can effectively learn from unbal- anced datasets. Second, we propose a class imbalanced safe semi-supervised approach (CISL) in a secure advanced self-training approach which can suc- cessfully acquire knowledge from the limited labeled imbalanced datasets. We conduct experiments on imbalanced benchmark datasets and real customer churn prediction datasets. The experimental results, supported with statis- tical significance tests, demonstrate consistent performance enhancements using different performance measures.
520		3	_aفي هذه الرسالة، نقدم طرقًا جديدة في التعلم الآلي باستخدام البيانات المكتملة والبيانات غير المكتملة للتعلم الآلي برغم عدم توازن البيانات كما هو الحال في تطبيقات توقع مغادرة العملاء. أولاً، نقدم تعديلًا جديدًا على خوارزمية مشهورة في التعلم الآلي باستخدام البيانات المكتملة. يُمَكِن التعديل المقترح، الخوارزمية من التعلم بفعالية من مجموعات البيانات غير المتوازنة. ثانيًا، نقترح طريقة آمنة للتعلم من البيانات غير المكتملة وغير المتوازنة بحيث تكون كفاءة البرنامج مضمونة مسبقًا. للتحقق من كفاءة الطرق المقدمة، أجرينا تجارب على مجموعات بيانات مكتملة غير متوازنة، ومجموعات بيانات غير مكتملة وغير متوازنة، ومجموعات بيانات حقيقية شهيرة لتوقع مغادرة العملاء. تُظهر النتائج التجريبية، المدعومة باختبارات الدلالة الإحصائية، تحسينات مستمرة وثابتة في الأداء باستخدام معايير قياس أداء مختلفة.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aComputer Engineering
650		0	_aهندسة الحاسبات
653		1	_aCustomer Churn Prediction _aClass imbalance _aSupervised Learning _aSemi- supervised Learning _aSafe Semi-supervised Learning _aGaussian Process Clas- sifier _aSelf Training _aPseudo Labeling _aRatio Sampling _aSafety Checking _aالتعلم الآلي _aالتعلم من البيانات المكتملة
700	0		_aSamir Ibrahim Shaheen _ethesis advisor.
700	0		_aDina Ahmed Mohamed Elreedy _ethesis advisor.
900			_b01-01-2025 _cSamir Ibrahim Shaheen _cDina Ahmed Mohamed Elreedy _dReda Abdel-Wahab El-Khoribi _dMohamed Zaki Abdelmegeed _UCairo University _FFaculty of Engineering _DDepartment of Computer Engineering
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c179158