Уважаемые коллеги, доброго времени суток! Представляем вам румынское научное издание International Journal of Computers, Communications and Control. Журнал имеет третий квартиль, издается в CCC Publications, R & D Agora, находится в открытом доступе, его SJR за 2020 г. равен 0,422, печатный ISSN - 1841-9836, импакт-фактор - 2,293, электронный - 1841-9844, предметные области - Теория расчетов и вычислений, Компьютерные сети и коммуникации, Прикладные компьютерные науки. Вот так выглядит обложка:
Здесь два редактора - Флорин Джордж Филип, контактные данные - ffilip@acad.ro
и Симона Дзитач - simona.dzitac@gmail.com.
Другие публикационные контакты - idzitac@univagora.ro, ijccc@univagora.ro.
Журнал адресован международным сообществам научных исследователей в области компьютеров, связи и управления, из университетов, исследовательских подразделений и промышленности. Чтобы отличаться от других подобных журналов, редакционная политика поощряет представление оригинальных научных работ, в которых основное внимание уделяется интеграции 3 "C" (Вычислительная техника, Связь, управление). В частности, ожидается, что авторы рассмотрят следующие темы:
1. Интегрированные решения в области компьютерного управления и связи;
2. Методы вычислительного интеллекта и мягкие вычисления (с особым упором на методы, основанные на нечеткой логике, вычисления со словами, ANN, эволюционные вычисления, коллективный/роевой интеллект);
3. Передовые системы поддержки принятия решений (с особым упором на использование комбинированных решателей и/или веб-технологий).
Адрес издания - http://univagora.ro/jour/index.php/ijccc/
Пример статьи, название - Screening Key Indicators for Acute Kidney Injury Prediction Using Machine Learning. Заголовок (Abstract) - Acute kidney injury is a common critical disease with a high mortality. The large number of indicators in AKI patients makes it difficult for clinicians to quickly and accurately determine the patient’s condition. This study used machine learning methods to filter key indicators and use key indicator data to achieve advance prediction of AKI so that a small number of indicators could be measured to reliably predict AKI and provide auxiliary decision support for clinical staff. Sequential forward selection based on feature importance calculated by XGBoost was used to screen out 17 key indicators. Three machine learning algorithms were used to make predictions, namely, logistic regression (LR), decision tree, and XGBoost. To verify the validity of the method, data were extracted from the MIMIC III database and the eICU-CRD database for 1,009 and 1,327 AKI patients, respectively. The MIMIC III database was used for internal validation, and the eICU-CRD database was used for external validation. For all three machine learning algorithms, the prediction performance from using only the key indicator dataset was very close to that from using the full dataset. The XGBoost algorithm performed the best, and LR was the next best. The decision tree performed the worst. The key indicator screening method proposed in this study can achieve a good predictive performance while streamlining the number of indicators. Keywords: acute kidney injury, key indicator screening, machine learning, sequential forwardselection, XGBoost.
