research centers


Search results: Found 15

Listing 11 - 15 of 15 << page
of 2
>>
Sort by

Article
Diagnosis the Breast Cancer using Bayesian Rough Set Classifier
تشخيص سرطان الثدي باستخدام نظرية التصنيف Bayesian Rough Set

Authors: Marwa A. Shihab مروة احمد شهاب --- Ayad R. Abbas أياد روضان عباس
Journal: Iraqi Journal of Science المجلة العراقية للعلوم ISSN: 00672904/23121637 Year: 2017 Volume: 58 Issue: 1B Pages: 302-308
Publisher: Baghdad University جامعة بغداد

Loading...
Loading...
Abstract

Breast cancer was one of the most common reasons for death among the women in the world. Limited awareness of the seriousness of this disease, shortage number of specialists in hospitals and waiting the diagnostic for a long period time that might increase the probability of expansion the injury cases. Consequently, various machine learning techniques have been formulated to decrease the time taken of decision making for diagnoses the breast cancer and that might minimize the mortality rate. The proposed system consists of two phases. Firstly, data pre-processing (data cleaning, selection) of the data mining are used in the breast cancer dataset taken from the University of California, Irvine machine learning repository in this stage we modified the Correlation Feature Selection (CFS) with Best First Search (BFS) established on the Discriminant Index (DI) so as to reduce the complexity of time and get high accuracy. Secondly, Bayesian Rough Set (BRS) classifier is applied to predict the breast cancer and help the inexperienced doctors to make decisions without need the direct discussion with the specialist doctors. The result of experiments showed the proposed system give high accuracy with less time of predication the disease.

ان سرطان الثدي واحد من الاسباب الاكثر شيوعا للموت بين النساء في العالم. ان قلة الوعي بخطورة هذا المرض وقلة عدد الاختصاصين في هذا المجال,كذلك الانتظارلوقت طويل لأجل الحصول على نتائج التشخيص ادى لزيادة حالات الاصابة. نتيجة لذلك, استخدمت العديد من تقنيات تعليم الماكنة لتقليل الوقت اللازم لاتخاذ القرار, ذلك قد يساهم تقليل حالات الوفاة. هذا البحث يقدم نظام مقترح والذي يتكون من مرحلتين اعتمادا على بيانات التي تم الحصول عليها من مستودع تعليم الالة جامعة كاليفورنيا في ايرفين. اولا معالجة البيانات (تنظيف البيانات واختيار الخصائص التي تؤثر على اتخاذ القرار) وفي هذة المرحلة تم تطوير نموذج اختيار الخصائص المرتبطة CFS مع استخدام خوارزمية البحث الاستدلاليBFS استنادا الى مؤشر التمايزDI من اجل تقليل الوقت وزيادة الدقة بالتشخيص. ثانيا استخدام طريقةBRS وهي طريقة مطورة استخدمت لتشخيص سرطان الثدي ومساعدة الأطباء المبتدئين في اتخاذ القرار دون الحاجة الى التشاور المباشر مع الاخصائيين. اظهرت نتائج التجربية ان النظام المقترح يعطي دقة عالية بأقل وقت ممكن لتشخيص المرض.


Article
In Silico Model for Lung Cancer Prediction Based on TP53 mutations Using Neural Network

Authors: Ban Nadeem Dhannoon --- Zahraa Naser Shahweli
Journal: Al-Nahrain Journal of Science مجلة النهرين للعلوم ISSN: (print)26635453,(online)26635461 Year: 2018 Volume: 00 Issue: 1 Pages: 196-201
Publisher: Al-Nahrain University جامعة النهرين

Loading...
Loading...
Abstract

In silico models have become well known in the current decade because they assist researchers and specialists in organizing and analyzing big data. To complete their work, these models require powerful techniques and algorithms, the most important of which are machine learning algorithms. This work utilizes the Relief F algorithm for feature selection and trains the back propagation neural network (BPNN) algorithm on the UMD TP53 all-2012-R1-US database for lung cancer. Lung cancer is the most commonly diagnosed cancer among women and men, and can be predicted from mutations that occur in the TP53 tumor suppressor gene. Five measures are used to estimate performance: sensitivity and specificity are important dimensions utilized to obtain the receiver operating characteristic (ROC) curve; accuracy and F measure are necessary to determine algorithm precision; and Matthews correlation coefficient (MCC), which is the most important measure, provides the right criterion for classification algorithms. The Relief F and BPNN algorithms achieve satisfactory results that reach 99.41 for sensitivity, 95.39 for specificity, 99.04 for accuracy, 99.47 for F measure, and 0.93 for MCC.


Article
Class Prediction Methods Applied to Microarray Data for Classification

Author: Fatima .S. Shukir فاطمة صادق شكر
Journal: Iraqi Journal of Science المجلة العراقية للعلوم ISSN: 00672904/23121637 Year: 2012 Volume: 53 Issue: 5 Pages: 1193-1206
Publisher: Baghdad University جامعة بغداد

Loading...
Loading...
Abstract

The use of microarray data for the analysis of gene expression has been seen to be an important tool in biological research over the last decade. The important role of this tool is indicated by providing patients a great benefit of predicted treatment. There is an important question about a classification problem. The question is which genes play an important role in the prediction of class membership? There are many classification methods applied to microarray data to solve the classification problem. In bioinformatics, Statistical method is addressed by using microarray data. For example breast tissue samples could be classified as either cancerous or normal.Microarray expression profiling has provided an exciting new technology to identify classifiers for selection treatments to patients. Sometime in special cases, prognostic prediction is included in class prediction. In order to predict which patient will respond to a specified treatment we can think about two classes, including responders and no responders. The objective may be to predict whether a new patient is likely to respond based on the Microarray expression profile of her or his tissue sample. That it is mean accurate prediction is of obvious value in treatment selection. To achieve the above objectives I used many methods for class prediction using gene expression profiles from microarray experiments. This research aims to explain what these methods are, how these methods are applied to the microarray dataset, analyzes the results and how feature selection is used for classification. Furthermore, comparison of these methods and cross validation will be used to evaluate the predictive accuracy.

استخدام بيانات المايكروأري ( data ( microarray لتحليل ( gene expression )عدت كأداة هامة في البحوث البايلوجية على مدى العشر سنوات الماضية . ويدل ذلك على تطلع اهمية دور هذه الأداة ( (microarray عبر توفير فائدة كبيرة للمرضى أي (توقع علاج ملائم للمرضى). هناك سؤال مهم حول مشكلة التصنيف والسؤال هو أي من الجينات تلعب دورا هاماً في توقع صنف من مجموعة من الأصناف ؟ هنالك عدد من طرق التصنيف تطبق في ( (microarray لحل مشكلة التصنيف.في الإحصاء الحيوي (Bioinformatics) هنالك طرق إحصائية تعالج باستخدام بيانات ( (microarray, مثلا مرض سرطان الثدي أو القولون, إذ يمكن تصنيف عينة من هذا المرض إما تكون سرطانية او طبيعية. إن (microarray expression profiling ) قد جهز تقنية جديدة ومثيرة للتعرف على المصنفات لأجل اختيار علاج للمرضى, في بعض الأحيان وفي حالات خاصة تشخيص التوقع يتضمن من خلال توقع الصنف class prediction )). من أجل التوقع ( (predict اي من المرضى سوف يستجيب لعلاج محدد نستطيع ان نفكر في صنفين مستجيبين وغير مستجيبين. الهدف هو قد يكون توقع أي من المريض الجديد محتمل للاستجابة بناءا على بيانات (microarray expression profiling) المأخوذة من عينة من الأنسجة.ذلك يعني أن دقة التوقع تكون قيمة واضحة في إختيار العلاج.لتحقــــيق الأهــــــداف السابقة استـــــــخدمت عدد من طـرق توقع الصنف (class prediction) باستخدام (gene expression profiles) من خلال تجارب المايكروأري (microarray experiments). يهدف هذا البحث إلى توضيح ما هذه الطرق, وكيف يتم تطبيق هذه الطرق لمجموعة من بيانات المايكروأري (microarray data ) وتحليل النتائج وكيف يتم اختيار (feature selection ) المستخدم لأجل التصنيف وإضافة الى ذلك مقارنة بين هذه الطرق وسيتم استخدام مصطلح (cross validation) لتقييم دقة التوقع.


Article
A New Approach of Rough Set Theory for Feature Selection and Bayes Net Classifier Applied on Heart Disease Dataset

Authors: Eman S.Al-Shamery --- Ali A.Rahoomi Al-Obaidi
Journal: Journal of University of Babylon مجلة جامعة بابل ISSN: 19920652 23128135 Year: 2018 Volume: 26 Issue: 2 Pages: 15-26
Publisher: Babylon University جامعة بابل

Loading...
Loading...
Abstract

In this paper a new approach of rough set features selection has been proposed. Feature selection has been used for several reasons a) decrease time of prediction b) feature possibly is not found c) present of feature case bad prediction. Rough set has been used to select most significant features. The proposed rough set has been applied on heart diseases data sets. The main problem is how to predict patient has heart disease or not depend on given features. The problem is challenge, because it cannot determine decision directly .Rough set has been modified to get attributes for prediction by ignored unnecessary and bad features. Bayes net has been used for classified method. 10-fold cross validation is used for evaluation. The Correct Classified Instances were 82.17, 83.49, and 74.58 when use full, 12, 7 length of attributes respectively. Traditional rough set has been applied, the minimum Correct Classified Instances were 58.41 and 81.51 when use 2 length of attributes respectively.

درسنا في هذا البحث اختيار الصفات بالاعتماد على نهج جديد من خوارزمية مجموعة التقريب حيث تعتمد هذه الطريقة على اختيار الصفات الأكثر تاثيرا. لجئنا الى انتقاء الصفات اختصارا للوقت , وجود الصفة تؤثر على دقة النتائج او قد تكون الصفة غير متوفرة . تم تطبيق الخوارزمية على بيانات امراض القلب لاختيار افضل الصفات المؤثرة. ان المشكلة الرئيسية هو كيفية تشخيص الإصابة فيما لو كان مصاب بمرض القلب من عدمه.هذه المشكلة تمثل تحدي لان لا نسطيع اتخاذ القرار بصورة مباشرة. تعتمد الطريقة المقترحة على ترميز البيانات الاصلية .ان الناتج من هذه الخوارزميه هي الصفات الأكثر أهمية حيث تهمل الصفات السيئة والغير ضرورية.وتم تطبيق النتائج على خوارزمية شكبة بيزينت كخوارزمية للتنبؤ بالمرض وقد حصلنا على النتائج 82.17 , 83.49 , 74.58 عند استخدام جميع الصفات ,12 , 7 طول الصفات على التوالي.وتم تطبيق نتائج خوارزمية مجموعة التقريب الاصلية على خوارزمية البيزين وحصلنا على النتائج 58.41 ,81.51 عند استخدام 2 , 12 طول الصفات على التوالي.


Article
EVALUATION OF DDOS ATTACKS DETECTION IN A CICIDS2017 DATASET BASED ON CLASSIFICATION ALGORITHMS
تقييم الكشف عن هجمات DDOS في CICIDS2017 مجموعة البيانات المستندة إلى خوارزميات التصنيف

Loading...
Loading...
Abstract

Intrusion detection system is an imperative role in increasing security and decreasing the harm of thecomputer security system and information system when using of network. It observes different events in a networkor system to decide occurring an intrusion or not and it is used to make strategic decision, security purposes andanalyzing directions. This paper describes host based intrusion detection system architecture for DDoS attack, whichintelligently detects the intrusion periodically and dynamically by evaluating the intruder group respective to thepresent node with its neighbors. We analyze a dependable dataset named CICIDS 2017 that contains benign andDDoS attack network flows, which meets certifiable criteria and is openly accessible. It evaluates the performanceof a complete arrangement of machine learning algorithms and network traffic features to indicate the best featuresfor detecting the assured attack classes.

نظام الكشف عن التسلل المجرد هو دور حتمي في زيادة الأمن وتقليل الضرر من نظام أمن الكمبيوتر ونظام المعلومات عند استخدام الشبكة. فإنه يلاحظ أحداث مختلفة في شبكة أو نظام لاتخاذ قرار حدوث تدخل أم لا، ويستخدم لاتخاذ قرار استراتيجي، والأغراض الأمنية و تحليل الاتجاهات. تصف هذه الورقة بنية نظام الكشف عن التسلل المستندة إلى المضيف لهجوم DDoS، الذي بذكاء بالكشف عن التسلل بشكل دوري وديناميكي من خلال تقييم مجموعة الدخيل على التوالي إلى العقدة الحالية مع جيرانها. نقوم بتحليل مجموعة بيانات يمكن الاعتماد عليها باسم CICIDS 2017 التي تحتوي على حميدة و تدفقات شبكة هجوم DDoS، والتي تفي بالمعايير القابلة للاعتماد ويمكن الوصول إليها بشكل علني. وهو يقيّم الأداء من ترتيب كامل من خوارزميات التعلم الآلي وميزات حركة مرور الشبكة للإشارة إلى أفضل الميزات للكشف عن فئات الهجوم المؤكدة.

Listing 11 - 15 of 15 << page
of 2
>>
Sort by
Narrow your search

Resource type

article (15)


Language

English (14)


Year
From To Submit

2018 (6)

2017 (3)

2016 (3)

2014 (1)

2012 (2)