Yass Khudheir Salal
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Yass Khudheir Salal has a total of 6 co-authors. Here are the top co-authors by number of shared publications:
- Санжар Муталович Абдуллаев
Южно-Уральский государственный университет
4 shared publications M. Hussain
Shanghai University
2 shared publicationsP. Theodorou
University of Piraeus
2 shared publicationsO.Yu. Lenskaya
1 shared publication- Rawa Ali Hassan
University of Al-Qadisiyah
1 shared publication T. Paraskevi
University of Piraeus
1 shared publication
Latest Publications
- 17 January 2026
- Published by Springer Nature
- p. 117-132
Application of Deep Learning Methods for Alzheimer’s Stage Classification Based on Brain MRI
- 17 January 2026
- Published by Springer Nature
- p. 117-132
Application of Deep Learning Methods for Alzheimer’s Stage Classification Based on Brain MRI
- 8 May 2021
- Published by Springer Nature
- p. C1
Correction to: Student Next Assignment Submission Prediction Using a Machine Learning Approach
- 8 May 2021
- Published by Springer Nature
- p. C1
Correction to: Student Next Assignment Submission Prediction Using a Machine Learning Approach
- 19 March 2021
- Published by Springer Nature
- Vol. 729, 383-393
Student Next Assignment Submission Prediction Using a Machine Learning Approach
The web-based learning platform provides quality education nowadays, but assignment submission is a critical issue in the e-learning system. Therefore, to investigate assignment submission of the student in advance before the end of course is an important problem. The assignment submission prediction is the advantage of the e-learning system because it allows the instructor to find students’ problems on time. Additionally, online learning mostly depends on demographic characteristics such as region, age, and education level. This study uses machine learning (ML) methods to detect students who do not submit assignments on time and then also find which demographic factors affects online assignment submission. The data is publicly available and was collected from an open university of U.K. The result shows that Random Forest is an optimal option for predicting students who do not submit an assignment on time. We have also found that Gender, Student Credit, Final result, Total clicks, Score are strong predictors for student assignment.
- 19 March 2021
- Published by Springer Nature
- Vol. 729, 383-393
Student Next Assignment Submission Prediction Using a Machine Learning Approach
The web-based learning platform provides quality education nowadays, but assignment submission is a critical issue in the e-learning system. Therefore, to investigate assignment submission of the student in advance before the end of course is an important problem. The assignment submission prediction is the advantage of the e-learning system because it allows the instructor to find students’ problems on time. Additionally, online learning mostly depends on demographic characteristics such as region, age, and education level. This study uses machine learning (ML) methods to detect students who do not submit assignments on time and then also find which demographic factors affects online assignment submission. The data is publicly available and was collected from an open university of U.K. The result shows that Random Forest is an optimal option for predicting students who do not submit an assignment on time. We have also found that Gender, Student Credit, Final result, Total clicks, Score are strong predictors for student assignment.
- Open Access
- 19 October 2020
- Published by Southern Federal University in IZVESTIYA SFedU. ENGINEERING SCIENCES
- No. 3
MONITORING OF THE EDUCATION QUALITY AND IMPLEMENTING OF INDIVIDUAL LEARNING: DEMONSTRATION OF APPROACHES AND EDUCATIONAL DATA MINING ALGORITHMS
Как показывает анализ данных международных тестирований знаний учащихся, среднее и высшее образование многих странах переживает кризис, который в том числе вызван не адекватностью системы мониторинга качества традиционного и дистанцион- ного образования. В свою очередь, развитие такой системы мониторинга требует разра- ботки методов классификации и квантификации, необходимых для прогноза индивидуаль- ных и коллективных успехов учащихся. В этой статье теоретически и экспериментально показано, что наиболее перспективным подходом, решающим одновременно обе задачи прогноза, является создание гетерогенных ансамблей, состоящих из нечетного числа раз- личных базовых классификаторов, таких как деревья решений, простейшие нейронные се- ти, наивный байесовский классификатор и другие. Проведя обучение и тестирование 11 различных бинарных классификаторов на шести различных выборках образовательных данных, нами показано, что индивидуальный детерминированный прогноз таких ансамблей превосходит по точности прогнозы как отдельных базовых классификаторов, так и одно- родных ансамблей созданных по технологиям бэггинга и бустинга. Преимущество гетеро- генных ансамблей созданных из трех, пяти и семи классификаторов становится опреде- ляющим, если учесть, что при естественном дисбалансе выборки образовательных дан- ных, полезным прогнозом классификатора может считаться только такой прогноз, точ- ность которого превосходит относительную частоту класса объектов имеющих наи- большую повторяемость в выборке данных. Главным преимуществом гетерогенного ан- самбля является возможность трансформации детерминированного прогноза в вероятно- стный прогноз, когда вместо отнесения объекта к тому или иному классу, даются вероят- ности его принадлежности к отдельным классам. На основе этого нами предложен новый метод бинарной квантификации, когда индивидуальные вероятности принадлежности к каждому из классов объектов суммируются по отдельности, а полученные в итоге суммар- ные вероятности интерпретируются как относительные частоты объектов в выборке. В результате экспериментов показано, что такая бинарная ансамблевая квантификация по точности заметно превосходит традиционный метод «классифицируй и считай».
- 19 October 2020
- Published by Southern Federal University in IZVESTIYA SFedU. ENGINEERING SCIENCES
- No. 3
Open AccessMONITORING OF THE EDUCATION QUALITY AND IMPLEMENTING OF INDIVIDUAL LEARNING: DEMONSTRATION OF APPROACHES AND EDUCATIONAL DATA MINING ALGORITHMS
Как показывает анализ данных международных тестирований знаний учащихся, среднее и высшее образование многих странах переживает кризис, который в том числе вызван не адекватностью системы мониторинга качества традиционного и дистанцион- ного образования. В свою очередь, развитие такой системы мониторинга требует разра- ботки методов классификации и квантификации, необходимых для прогноза индивидуаль- ных и коллективных успехов учащихся. В этой статье теоретически и экспериментально показано, что наиболее перспективным подходом, решающим одновременно обе задачи прогноза, является создание гетерогенных ансамблей, состоящих из нечетного числа раз- личных базовых классификаторов, таких как деревья решений, простейшие нейронные се- ти, наивный байесовский классификатор и другие. Проведя обучение и тестирование 11 различных бинарных классификаторов на шести различных выборках образовательных данных, нами показано, что индивидуальный детерминированный прогноз таких ансамблей превосходит по точности прогнозы как отдельных базовых классификаторов, так и одно- родных ансамблей созданных по технологиям бэггинга и бустинга. Преимущество гетеро- генных ансамблей созданных из трех, пяти и семи классификаторов становится опреде- ляющим, если учесть, что при естественном дисбалансе выборки образовательных дан- ных, полезным прогнозом классификатора может считаться только такой прогноз, точ- ность которого превосходит относительную частоту класса объектов имеющих наи- большую повторяемость в выборке данных. Главным преимуществом гетерогенного ан- самбля является возможность трансформации детерминированного прогноза в вероятно- стный прогноз, когда вместо отнесения объекта к тому или иному классу, даются вероят- ности его принадлежности к отдельным классам. На основе этого нами предложен новый метод бинарной квантификации, когда индивидуальные вероятности принадлежности к каждому из классов объектов суммируются по отдельности, а полученные в итоге суммар- ные вероятности интерпретируются как относительные частоты объектов в выборке. В результате экспериментов показано, что такая бинарная ансамблевая квантификация по точности заметно превосходит традиционный метод «классифицируй и считай».
- Open Access
- 1 January 2019
- Published by FSAEIHE South Ural State University (National Research University) in Bulletin of the South Ural State University. Ser. Computer Technologies, Automatic Control & Radioelectronics
- Vol. 19 (4) , 139-143
Optimization of Classifiers Ensemble Construction: Case Study of Educational Data Mining
Оптимизация конструкции ансамбля классификаторов: пример интеллектуального анализа образовательных данных
- 1 January 2019
- Published by FSAEIHE South Ural State University (National Research University) in Bulletin of the South Ural State University. Ser. Computer Technologies, Automatic Control & Radioelectronics
- Vol. 19 (4) , 139-143
Open AccessOptimization of Classifiers Ensemble Construction: Case Study of Educational Data Mining
Оптимизация конструкции ансамбля классификаторов: пример интеллектуального анализа образовательных данных
- Open Access
- 1 January 2019
- Published by FSAEIHE South Ural State University (National Research University) in Bulletin of the South Ural State University. Ser. Computer Technologies, Automatic Control & Radioelectronics
- Vol. 19 (1) , 121-130
Using of Data Mining Techniques to Predict of Student’s Performance in Industrial Institute of Al-Diwaniyah, Iraq
Использование методов интеллектуального анализа данных для прогноза успеваемости студентов индустриального института Эль-Дивании, Ирак
- 1 January 2019
- Published by FSAEIHE South Ural State University (National Research University) in Bulletin of the South Ural State University. Ser. Computer Technologies, Automatic Control & Radioelectronics
- Vol. 19 (1) , 121-130
Open AccessUsing of Data Mining Techniques to Predict of Student’s Performance in Industrial Institute of Al-Diwaniyah, Iraq
Использование методов интеллектуального анализа данных для прогноза успеваемости студентов индустриального института Эль-Дивании, Ирак
- Open Access
- 1 January 2018
- Published by FSAEIHE South Ural State University (National Research University) in Bulletin of the South Ural State University series "Education Education Sciences"
- Vol. 10 (4) , 64-71
COMPUTER SYSTEMS OF INDIVIDUAL INSTRUCTION: BACKGROUND AND PERSPECTIVES
КОМПЬЮТЕРНЫЕ СИСТЕМЫ ИНДИВИДУАЛЬНОГО ОБУЧЕНИЯ: ПРЕДПОСЫЛКИ И ПЕРСПЕКТИВЫ
- 1 January 2018
- Published by FSAEIHE South Ural State University (National Research University) in Bulletin of the South Ural State University series "Education Education Sciences"
- Vol. 10 (4) , 64-71
Open AccessCOMPUTER SYSTEMS OF INDIVIDUAL INSTRUCTION: BACKGROUND AND PERSPECTIVES
КОМПЬЮТЕРНЫЕ СИСТЕМЫ ИНДИВИДУАЛЬНОГО ОБУЧЕНИЯ: ПРЕДПОСЫЛКИ И ПЕРСПЕКТИВЫ