Explore the vast range of titles available.

هدف البحث إلى قياس مدي فعالية التعليم الإلكتروني في رفع مستوى التحصيل الدراسي لدى طلاب نظم المعلومات الإدارية من وجهة نظر أعضاء هيئة التدريس، وقد تحددت مشكلة البحث في السؤال الرئيس الآتي: ما مدى فاعلية التعليم الإلكتروني في رفع مستوى التحصيل الدراسي لطلاب نظم المعلومات الإدارية من وجهة نظر أعضاء هيئة التدريس؟ وتفرع من هذا السؤال الأسئلة التالية: ما مدى امتلاك أعضاء هيئة التدريس للمعارف والمهارات والخبرة المرتبطة بالتعليم الإلكتروني وتطبيقاته ما مدى تفاعل الطالب مع البرامج التعليمية المحوسبة التي يتم توظيفها داخل المعهد. ما مدى توافر متطلبات وآليات توظيف التعليم الإلكتروني داخل المعهد. هل ساهمت تطبيقات التعليم الإلكتروني في رفع مستوى التحصيل الدراسي للطلاب. وللإجابة عن التساؤلات السابقة اعتمد الباحث في هذه الدراسة على المنهج الوصفي التحليلي، وذلك تماشيا مع طبيعة المشكلة وقد استخدم الباحث الاستبانة في الجزء الميداني. وتكون مجتمع الدراسة من أعضاء هيئة التدريس بقسم نظم المعلومات الإدارية بالمعهد العالي للدراسات النوعية. وتكونت عينة الدراسة من عشرون عضو هيئة تدريس ما بين مدرس وأستاذ مساعد وأستاذ، وقد تم اختيارهم بطريقة عشوائية. بعد الحصول على الاستبانات تم معالجتها إحصائيا باستخدام برنامج (SPSS) وتم استخدام المتوسطات الحسابية والانحرافات المعيارية. وجاءت النتائج كما يلي: أعضاء هيئة التدريس يواجهون صعوبة في تنفيذ برامج التعليم الإلكتروني وتطبيقاته وذلك بسبب: قلة الاهتمام بالجانب التكنولوجي في العملية التدريسية بالمعهد. قلة خبرة عضو هيئة التدريس وثقافته فيما يتعلق ببرامج التعليم الإلكتروني وبالتالي صعوبة توظيف آلياته وتطبيقاته في العملية التدريسية. إن ما يطبق في المعهد من دروس باستخدام برامج التعليم الإلكتروني يسهم في تفاعل الطالب إثارة دافعيته إن عضو هيئة التدريس يجد صعوبة في توظيف برامج التعليم الإلكتروني وتطبيقاته في المعهد لقلة المواد والآليات اللازمة للتنفيذ إن الدروس والبرامج المتاحة للتطبيق إلكترونيا في المعهد لم تؤثر على مستوى الطالب التحصيلي.

Financial distress prediction has become a focal research area in corporate finance, driven by the imperative of risk management and informed decision-making. This study proposes a hybrid modeling framework that integrates the Altman Z-score-a longstanding traditional financial metric-with four machine learning algorithms (Random Forest, Support Vector Machine, Logistic Regression, and XGBoost). The framework was empirically tested on companies listed on the Egyptian Exchange, as applied on a sample of 48 companies across five sectors, according to the nature of each of these sectors in terms of type of industry, as follows: food, beverages and tobacco sector, manufacturing sector, health care & pharmaceuticals sector, real estate sector, and services sector over the period from 2019 to 2023. By assigning determined weights to each component, the model describes both linear and non-linear patterns in corporate data. Empirical analysis, spanning multiple sectors, demonstrates the framework's predictive accuracy, achieving a 97.91% success rate, and highlights significant sector-specific distress patterns. These findings underscore the potential of combining established financial theory with modern computational techniques, offering robust and interpretable early warning systems for investors, financial institutions, and regulators.

يمر العالم بسرعة نحو التحول الرقمي ويدخل إلى عالم جديد مع العديد من التطورات غير المسبوقة. وتؤثر هذه الاتجاهات الجديدة على المجتمع والوظائف المستقبلية، وبالتالي وظائف الخريجين الجدد. ويكمن في قلب هذا التحول الرقمي علم البيانات الضخمة؛ ذلك التخصص الذي يكسب البيانات الضخمة معنى. ومع وجود العديد من التحديات الرقمية الناشئة التي تتزايد معدلات نموها أمام أعيننا بسرعة فائقة، تناقش هذه المقالة وجهات النظر حول فرص كليات المعلومات، والمقترحات في مجال تعليم علم البيانات. ويمكن القول بأن كليات المعلومات يجب أن تمكن طلابها من خلال تخصصات \"حوسبة المعلومات\"، التي نعرفها على أنها القدرة على حل المشكلات وإنشاء القيم والمعلومات والمعرفة باستخدام الأدوات في المجالات التطبيقية المختلفة. وباعتبارها مناهج متخصصة لدعم تخصصات حوسبة المعلومات في تعليم علم البيانات، فنقترح المحاور الثلاثة القائمة على المستخدم، والأداة، والتطبيق. ستعمل على التمييز بين تعليم علم البيانات في كليات المعلومات، وتعليم علوم الحاسب أو كليات إدارة الأعمال. ونقدم إطار تعليم علم البيانات متعدد الطبقات Data Science Education Framework (DSEF)، ذو وحدات بناء، تتضمن الركائز الثلاث لعلم البيانات (الأشخاص، والتقنية، والبيانات)، والتفكير الحاسوبي، والنماذج القائمة على البيانات، ودورات حياة علم البيانات. وبالتالي، يجب تصميم مقررات علم البيانات استناداً إلى هذا الإطار باستخدام المناهج القائمة على المستخدم، والقائمة على الأدوات والقائمة على التطبيق. وسوف يساعد هذا الإطار طلابنا على التفكير في مشكلات علم البيانات من منظور الصورة الكبيرة، وتعزيز مهارات حل المشكلات المناسبة جنبًا إلى جنب مع المنظورات الواسعة لدورات حياة علم البيانات. ونأمل أن يساعد إطار تعليم علم البيانات متعدد الطبقات الذي تمت مناقشته في هذه المقالة الزملاء في كليات المعلومات في تصميمهم لمناهج علم البيانات الجديدة.

تتقاذف التطبيقات الذكية أمام القارئ تجذبه إلى عوالم ترخيه تماما عن التعامل مع الأدبيات المألوفة، مستغلة ما تم إشباعها به من معلومات استحالت إلى خوارزميات تتعاطى بشكل معقد مع المطلوب منها في سياقات كثيرة؛ (تعليمية، وتثقيفية، وترفيهية...) تبعث إلى التساؤل حقا؛ هل هذه التطبيقات بما تحتويه من ملامح \"الأدب الروبوتي\" كفيلة بحسم المسألة الأدبية الإبداعية تماما؟ أم هل علينا فعلا الخوض في مسألة إعادة النظر في مفهوم الإبداع في ظل أصالة الخوارزميات من عدمه، وهو ما يتيح معطى جديد يضاف إلى البعد الابستيمولوجي، في سبيل تحقيق غاية معرفية تتسق مع الراهن الأدبي وتضع حدودا بين المعطيين الإبداعيين، وتمنح الفرصة لديمومة طرف إزاء آخر. في هذا السياق يحاول هذا البحث الخوض في غمار الموضوع، مستعينا بمنهج استدلالي معرفي يضع أمام المتلقي المعطيات الممكنة لفحص مدى قدرة الذكاء الاصطناعي على الاضطلاع بالمهمة الأدبية، محاولا تجاوز قدرة العقل البشري الخلاق. وكشف ما يمكن أن يترتب عن الاستسلام الطوعي للتقنية في ظل ذلك.

This research aims to solve the security challenges faced by Internet of Things (IoT) devices in software defined networking (SDN) environments, with a particular focus on mitigating man-in-the-middle and distributed denial-of-service (DDoS) attacks. The proposed approach for DDOS involves generating a dataset from a data stream in the network, which is then trained and tested using machine learning algorithms such as KNN, SVM, RF, DT, and NB. The goal is to identify the algorithm that has the highest accuracy resulting from Training and testing of the target data, which is found to be Random Forest (RF), which we will use for forecasting and data analysis purposes, and Random Forest (RF) will be used in the proposed model to detect and mitigate Distributed Denial of Service (DDoS) attacks. Also to enhance security To protect against ARP spoofing attacks, lookup provides ARP with a mechanism to detect this type of attack. The mechanism includes the following steps: extracting packet information, learning MAC-to-Port assignments, and checking if the packet is an ARP request. If it is an ARP request, it will be stored Set IP-MAC. If mitigation is enabled and the packet is an ARP packet, the system will check for ARP spoofing. If ARP spoofing is detected, a stream entry is added to the switch the attacker attended. Otherwise, the packet is forwarded. If Mitigation is not enabled, the packet is simply forwarded. Search includes a stream entry management component that removes expired stream entries. If the specified flow entry expires, it is removed from the system to maintain efficiency and ensure security measures are up to date. By implementing this proposed model, IoT devices in SDN networks can be protected against DDoS attacks and ARP spoofing, thus enhancing the overall network security and reliability.

Policy lapses and cancellations pose significant challenges to the stability and profitability of the Egyptian insurance market. This study evaluates the effectiveness of machine learning (ML) models - Logistic Regression, Random Forest, Support Vector Machines (SVM), and Artificial Neural Networks (ANN) - to predict lapses based on policyholder data and behavioral trends. Key predictors such as income, age, premium amount, payment frequency, and policy type were analyzed to identify actionable insights. The findings highlight the transformative potential of Al in improving customer retention, optimizing operational efficiency, and addressing critical market challenges.

This paper discusses the interdisciplinary research that contributes significantly to theoretical advancements and practical applications in machine learning. It focuses on the mathematical foundations of machine learning, specifically optimization algorithms and data privacy. The research aims to address the challenges of optimizing machine learning models and ensuring data privacy, particularly in the growing complexity of models. The authors develop novel optimization techniques, such as Accelerated Stochastic Gradient Descent (ASGD) and Robust Adaptive Gradient (RAG), and provide rigorous proofs for their convergence and robustness. They also investigate differential privacy mechanisms, such as Laplace and Gaussian mechanisms, and integrate them into machine learning algorithms like Differentially Private Stochastic Gradient Descent (DP-SGD). The research shows improved convergence rates and robustness compared to traditional techniques, and the differential privacy mechanisms offer strong privacy guarantees while maintaining model utility. These contributions are crucial for the deployment of secure and efficient machine learning systems across various industries, including healthcare, finance, and social media.