This research presents a proposal to advance e-learning over online social network, facebook, through analyzing the structure of this network and the behavior of their users. This proposalwill construct facebook group for Iraqi postgraduate higher education computer sciences students (IPHECSS), this group consist of 300 users.The Proposal has four consequence steps to advance the e-learning over facebook, these steps are:1.Constructing a proposed student’s facebooks dataset for Iraq students' society called Iraqi postgraduate higher education students (IPHES), which contains self-defined characteristics of a student’s facebooks. 2.Applying customized Frequent Pattern (FP-growth) Association Rule (AR) technique to IPHES dataset as a ranker (since it calculates the frequency of attributes) and mining technique (since it extracts knowledge to predict decision making to support e-learning over facebook through analyzing student’s behavior). 3.Applying Traditional k-mean and proposed Modified k-mean techniques to IPHES dataset to advance the traditional KM in clustering the students to introduce the structure of network’s users; this helps in supporting e-learning over facebok through analyzing students broadcasting and activities. Modification on k-mean is done by injecting a preprocessing substep in traditional KM called attributes weighting depending on ranking results obtained by applying AR as a ranker and modifying Euclidian distance similarity measure to result vectors instead of single value. 4.Analyzing the results of both association rules and clustering using excel2007 and UCINET software.

هذا البحث يقدم مقترح لتطوير التعليم الالكتروني خلال الشبكات الاجتماعية,الفيسبوك, من خلال تحليل هيكلية الشبكة وسلوك مستخدميها.في هذا المقترح سوف نبني بالفيسبوك مجموعة من التعليم العالي لطلاب الدراسات العليا لعلوم الحاسوب ,هذه المجموعة تتكون من 100 طالب.المقترح يتكون من اربع خطوات متسلسلة لتطوير التعليم خلال الفيسبوك, هذه الخطوات هي :اول خطوة للمقترح هي بناء وتجهيز مجموعة البيانات الذي يحتوي على بيانات شخصية للطالب بما في ذلك متغيرات مثل الجامعة, الجنس, سنة التخرج, المتابعة,المتابعين, الفعالية,التواجد وعدم التواجد على الانترنت, الوظيفة, محل الاقامة, المجاميع, اختصاص الطالب, سنة التخرج,الاصدقاء المشتركين.الخطوة الثانية تقترح لتطبيق قاعدة الربط على مجموعة البيانات باعتباره تقنية ضابط مراتب وتعدين لاستخراج انماط متكررة (السمات الهامة مع النظر في العلاقات المتبادلة مع بعضها البعض) ولاستخراج المعرفة للتنبؤ باتخاذ القرار لدعم التعليم الالكتروني. لتطوير الخوارزمية التقليدية بتجميع الطلاب بشكل اكفأk-meanثالث خطوة تقترح استخدام خوارزمية وذلك بضخ خطوة فرعية معالجة مسبقا فيه تسمى اوزان الصفات تعتمد على النتائج التي تم الحصول عليها في نتائج الترتيب التي حصلنا عليها من الخطوة الثانية. لتطوير التعليم الالكتروني خلال الفيسبوك AR و proposed k_meanواخيرا, الخطوة الرابعة تحلل نتائج كلاللتنبؤ بمعلومات جديدة لم تكتشف من قبل UC INET باتجاهين بنية الشبكة وسلوك الطالب. ثم سوف يستخدم برنامج من خلالARو.KM

facebook --- association rules --- k-mean --- attributes ranking

Data clustering is a fundamental operation used in unsupervised images generally
clustering involves asset of data (e.g.: image pixels) into specified no of clusters, the
motivation behind clustering is to find inherit structure in the data and to expose the structure
as asset of groups.
Our search concern with taking image clustering problem using four clustering algorithms
named K-mean, K-median, PSO and hybrid of two algorithms, PSO and k-mean. These
algorithms applied on three gray brain images then compare the results.

تعتبر عملية تجميع البيانات عملية جوهرية استخدمت في الصور ذات البيانات غير المرتبة او المجمعة ، بصورة عامة عملية التجميع تتضمن ترتيب البيانات (مثلاً معلومات صورة) الى مجموعة من العناقيد او المصنفات لغرض الحصول على هيكل وراثي للبيانات وعرض الهيكل المذكور كمجاميع مرتبة.ويتضمن البحث مقارنة النتائج التي يتم الحصول عليها من خلال تطبيق 4 خوارزميات للغرض اعلاه هي (K-mean, K-median, PSO and hybrid of two algorithms, PSO and k-mean) على 3 صور للدماغ من نوع gray .

Clustering --- K-mean --- K-median --- PSO and hybrid of PSO and k-mean. --- خوارزميات تجميع الصور

Image segmentation is very important task in many imageanalysis or computer vision applications. In this paper a textureimage segmentation method using Gabor filter, anisotropic filter,and k-mean clustering algorithm was proposed. The Gabor filterwas used as a multi-channels filter to analyze the texture in theimage. The extraction and enhancement of the texture featuresobtained using anisotropic diffusion filter. Then the k-meanalgorithm used to cluster pixels into number of clustersrepresenting the texture regions. The quality of segmentationusing this method was evaluated using Ultimate MeasurementAccuracy (UMA) metric. The experiments show that theperformance of this method is effective, accurate and gives betterresults as compared with the Seo method from the view of qualityof segmentation, the number of run times, the execution time andthe capability of separating a large number of textures, and ofsegmented real images, random mosaics texture images, area ofroofs and ground images, and to distinguish objects frombackground.

تقسیم الصورة عملیة مهمة جدا في العدید من تطبیقات تحلیل الصور ورؤیةالحاسبة. في هذه البحث تم اقتراح طریقةِ تقسیمِ نسیج الصورةِ باستخدام مرشِح غابورمرشح غابور أستخدم .◌ْk-mean ,ومرشِح انتشار أنیزوتروبیك ،و خوارزمیةً العنقدةكمرشح متعدد القنوات لتحلیل النسیج في الصورة. عملیة استخلاص وتحسین خصائصk- النسیج تم باستخدام مرشِح انتشار أنیزوتروبیك. ثم تم استخدام خوارزمیة العنقدةلتجمیع نقاط الصورة إلى عناقید تمثل مناطق النسیج في الصورة. mean.UMA نوعیة التجزئة باستخدام هذه الطریقةِ تم تقیُیّمه باستخدام مقیاس الدقةالتجاربُ ترینا أن انجاز هذه الطریقة فعال وأنها أعطت نتائج تقسیمُ دقیقةُ وأفضل مقارنةمن ناحیة نوعیة التجزئة، عدد م ا رت التنفیذ، زمن التنفیذ والقدرة على Seo مع طریقةتجزئة عدد كبیر من الأنسجة وتجزئة صورة حقیقیة، صور الفسیفساء، صور المناطقالسقوفِ والصورِ الأرضیةِ، ولتَمییز الأجسامِ مِنْ الخلفیةِ.

texture image segmentation --- Gabor filter --- anisotropic filter --- k-mean clustering.

In the present work, pattern recognition is carried out by the contrast and relative variance of clouds. The K-mean clustering process is then applied to classify the cloud type; also, texture analysis being adopted to extract the textural features and using them in cloud classification process. The test image used in the classification process is the Meteosat-7 image for the D3 region.The K-mean method is adopted as an unsupervised classification. This method depends on the initial chosen seeds of cluster. Since, the initial seeds are chosen randomly, the user supply a set of means, or cluster centers in the n-dimensional space.The K-mean cluster has been applied on two bands (IR2 band) and (water vapour band).The textural analysis is used where six parameters are calculated from the Co-occurrence matrix. These parameter were inserted in the K-mean. The best classifier feature is the angular second moment. When we use the angular second moment is used with any textural feature a good result were obtained for cloud classification, since the angular second moment gives indications on cloud homogeneity.

في هذا البحث، يمكن الحصول على تميزالأنماط بواسطة التباين وحساب التغاير لصور الغيوم . حيث يتم تطبيق عملية تجميع K-كوسيلة لتصنيف انواع الغيوم، لقد تم اعتماد تحليل النسيج لاستخراج بعض الخصائص التي تستخدم في عملية تصنيف انواع الغيوم. الصور التي تم استخدامها في عملية التصنيف هي صور القمر الصناعي الانوائي المتيوسات-7 حيث الصوره الماخوذه هي لمنطقة-D3 التي تشمل العراق ومنطقة الخليج والمناطق المحيطه به. لقد تم اعتماد طريقة التصنيف الغير موجه وهي طريقة عنقدة k ويتم اختيار البذور الأوليه بشكل عشوائي، عملية عنقدة k تم تطبيقها على حزمة بخار الماء والحزمه التحت الحمراء, ان طريقة التحليل النسيجي هي احد الطرق المهمه لتصنيف ارتفاعات الغيوم حيث تم استخدم مصفوفة التدرج اللوني ومن خلالها تم حساب بعض الخصائص الاحصائيه, عملية المزج بين طريقة التحليل النسيجي وطريقة تجميع k ساعدت باختيار افضل الخصائص الاحصائيه لتصنيف ارتفاعات الغيوم حيث اعتبر العزم الثنائي الزاوي هو افضل الخصائص الاحصائيه لتصنيف ارتفاعات الغيوم.

Texture analysis --- k-mean --- Co-occurrence --- clouds height

The object of the presented study was to monitor the changes that had happened in the main features (water, vegetation, and soil) of Al-Hammar Marsh region. To fulfill this goal, different satellite images had been used in different times, MSS 1973, TM 1990, ETM+ 2000 and MODIS 2010. K-Means which is unsupervised classification and Neural Net which is supervised classification was used to classify the satellite images and finally by use adaptive classification which is apply supervised classification on the unsupervised classification. ENVI soft where used in this study.

مراقبة وحماية هور الحمار ومكوناته (ماء ونبات وتربة ) هي الشاغل الرئيس للعديد من المؤسسات الدولية والمحلية. اقمار التحسس النائي عالية الدقة هي الاداة المهمة المستخدمة لجمع المعلومات عن الاهوار لتقييم مكوناته من ماء وتربة ونبات. المنطقة المدروسة هي هور الحمار احد الاهوار الكبيرة في جنوب العراق. والذي يعتبر احد المناطق المهمة طبيعيا لاحتوائه على الاسماك والنباتات النادرة. استخدمت طريقة التصنيف (K-mean) وطريقة التصنيف (Neural Net ) لتصنيف صور الاقمار الصناعية واخيرا استخدمت طريقة مطورة والتي تتضمن تطبيق طريقة التصنيف المرشد على صورة طبق عليها التصنيف غير المرشد. استخدم برنامج ال ENVIفي هذا العمل.

Al-Hammar marsh --- k-mean --- Neural net --- ENVI