تُعد الأورام الدبقية من أخطر أنواع أورام الدماغ نظراً لطبيعتها العدوانية. وقد أتاحت التطورات الأخيرة في الأساليب الآلية للكشف المبكر عن أورام الدماغ -من خلال تحليل صور كاملة لشرائح أنسجة الدماغ- إمكانية الوصول إلى تشخيص سريع ودقيق. وبناءً على ذلك، نقترح نهجاً هجيناً يدمج بين الشبكات العصبية التلافيفية (CNN) ومحولات الرؤية (ViT) لإجراء تحليل عميق لأجزاء (patches) من صور الشرائح النسيجية. يعتمد هذا النموذج الهجين استراتيجية تصنيف ثنائية المرحلة للتعامل مع التوزيع غير المتوازن للفئات؛ حيث تُستخدم في المرحلة الأولى خوارزمية تصنيف ثنائية لتحديد ما إذا كان الجزء النسيجي طبيعياً أم غير طبيعي، بينما تُستخدم في المرحلة الثانية خوارزمية تصنيف متعددة الفئات لتحديد نوع الورم الدبقي بدقة. عند تقييم هذا النموذج الهجين على مجموعة بيانات اختبار غير متوازنة، حقق نتائج متميزة تمثلت في أعلى دقة متوازنة (95.31%)، ومتوسط ​​دقة كلي (macro-averaged precision) بلغ 96.08%، ومتوسط ​​درجات F1 (macro-averaged F1-score) بلغ 95.51%. وقد نجح هذا النهج ثنائي المرحلة في معالجة مشكلة عدم توازن الفئات. علاوة على ذلك، تمكن النموذج الهجين -بدمجه بين الشبكات العصبية التلافيفية ومحولات الرؤية- من استخلاص سمات أكثر عمقاً، مما أدى إلى تحقيق أداء فائق يتفوق على أحدث الطرق والتقنيات المتاحة حالياً في هذا المجال.

يُعد النجاح التعليمي ركيزةً أساسيةً للتنمية المجتمعية، إلا أن تزايد معدلات التسرب الدراسي بين الطلاب يفرض تحدياتٍ مستمرة. وعلى الرغم من شيوع استخدام نماذج التعلم المُراقب (Supervised Learning) للتنبؤ بالتسرب، إلا أنها تعتمد على بياناتٍ مُصنَّفةٍ يدوياً؛ وهي عمليةٌ تستغرق وقتاً طويلاً وتتطلب تدخلاً من الخبراء. وكبديلٍ لذلك، جرى استكشاف نماذج التعلم غير المُراقب (Unsupervised Learning)، وتحديداً تقنيات التجميع (Clustering)؛ غير أن الأساليب الحالية تكتفي عادةً بتجميع الطلاب بناءً على أنماط نشاطهم دون توليد تصنيفاتٍ ثنائية (مثل: "متسرب" أو "ناجح"). علاوةً على ذلك، غالباً ما تعتمد فعالية هذه الأساليب بشكلٍ كبيرٍ على جودة السمات المختارة، كما أن معظم الحلول الحالية لا تستخدم سوى مجموعاتٍ محدودةٍ أو مُهيكلةٍ مسبقاً من البيانات المؤسسية. تعالج هذه الورقة البحثية هذه التحديات من خلال تقديم نموذج EHCFE (التجميع الهرمي المُحسَّن مع هندسة السمات)، الذي يهدف إلى توليد تصنيفاتٍ ثنائيةٍ تلقائياً من مجموعات بياناتٍ تعليميةٍ غير مُصنَّفة. يعتمد EHCFE على "هندسة السمات" (Feature Engineering) من خلال استنباط سماتٍ جديدةٍ استناداً إلى السمات الأكثر أهمية التي يتم تحديدها أثناء مرحلة اختيار السمات، مع الاحتفاظ في الوقت ذاته بمجموعة السمات الأصلية؛ مما يؤدي إلى تحسين دقة النتائج التصنيفية. تم تقييم هذا النهج باستخدام ثلاث مجموعات بيانات، ومقارنته بنماذج حالية وأخرى متطورة (State-of-the-art) عبر مقاييس تقييمٍ متعددة، تشمل: مقياس F1 (F1 score)، والمساحة تحت منحنى خصائص تشغيل المستقبل (AUC)، ومعامل "سيلويت" (Silhouette coefficient). وقد أظهرت النتائج التجريبية تفوق EHCFE، حيث حقق أعلى قيمٍ لمقياس F1 (0.709 و0.28) وأعلى قيمٍ لـ AUC (0.766 و0.81) في اثنتين من مجموعات البيانات. كما أظهر تحليل الترتيب -وفقاً لستة مقاييس تقييم- تفوق EHCFE على النماذج القائمة، محققاً أفضل متوسط ​​ترتيب (1.50 و1.83) في مجموعتين من البيانات، وترتيباً تنافسياً بلغ 1.92 في المجموعة الثالثة.

تتكوَّن شبكات المستشعرات اللاسلكية (WSNs) من مجموعةٍ من المستشعرات الذكية محدودة الذاكرة وقدرات الاتصال اللاسلكي. تجمع هذه المستشعرات البيانات من البيئة المحيطة وترسلها إلى مركز تطبيقاتٍ مركزي، لكن فقدان البيانات يحدث بسبب خصائص العتاد، ما يؤثر سلبًا في دقة التطبيقات. لمعالجة هذه المشكلة، لابد من تقدير البيانات المفقودة في التطبيقات التي تعتمد على جمع بياناتٍ دقيقة. في هذه الدراسة، نعرض خوارزميةً تستفيد من أكثر البيانات التاريخية أهمية لتقدير القيم المفقودة بالاعتماد على الترابطين المكاني والزماني. تدمج الخوارزمية المقترحة الترابط المكاني باستعمال بيانات أقرب مستشعر وفقًا لنمط الفقد، والترابط الزماني بالرجوع إلى أقرب البيانات السابقة للحظة الفقد. تُبيّن النتائج التجريبية أن الخوارزمية المقترحة تقلِّل أخطاء التقدير مقارنةً بالخوارزميات الحالية لمجموعةٍ متنوعةٍ من أنماط فقد البيانات.