Elvir Čajić je profesor matematike, fizike, informatike i tehničkog obrazovanja sa bogatim iskustvom u naučnom istraživanju i edukaciji.
Polje Istraživanja: Mathematical logic Physics Artificial neural networks
Elvir Čajić je profesor matematike, fizike, informatike i tehničkog obrazovanja s preko deset godina iskustva u obrazovanju i bogatom akademskom portfolijom. Rođen 2. jula 1986. godine u Tuzli, završio je Filozofski fakultet Univerziteta u Tuzli smjer Tehnicki odgoj i informatika sa prosjekom 9.18 i sami tim postao stipendista Fonda Bosnjaci , a potom magistrirao i trenutno pohađa doktorski studij na Evropskom univerzitetu Kallos Tuzla, na Pedagoškom fakultetu, Odsjek za matematiku i fiziku. Sa prosjekom ocjena 10,0 i zlatnom značkom, prepoznat je kao jedan od najboljih predavača u regiji bivše Jugoslavije.
Tokom karijere, Čajić se specijalizirao za primjenu vještačke inteligencije u obrazovanju, posebno u matematici, te za optimizaciju numeričkih metoda i stohastičkih diferencijalnih jednačina. Njegov istraživački rad obuhvata i teme poput primjene dubokih neuronskih mreža, a objavio je preko 90 naučnih i stručnih radova. Također je koautor radova sa priznatim profesorima, uključujući saradnju s profesorom Radoslavom Galićem i Zvezdanom Stojanovićem, te učestvovao na međunarodnim konferencijama i simpozijima.
Čajić je i Microsoft MIE Expert i MIE Trainer od 2019. godine, jedini sa ovim titulama u Tuzlanskom kantonu, sa preko 900 Microsoft certifikata. Aktivno doprinosi digitalizaciji obrazovanja u BiH, organizira edukacije i konferencije, uključujući konferencije poput "Digitalna Transformacija Obrazovanja" i "IKT u Obrazovanju - IKT Most." U okviru svog rada, kreirao je edukativne sadržaje za online platforme kao što su Moodle i Microsoft Office, koje je dijelio sa kolegama tokom pandemije COVID-19.Pored toga, Čajić je posvećen porodici – suprug je i otac troje djece.
This study investigates the use of neural network and their ability to predict disease progression based on clinical data and biomarkers. Using deep neural networks, a model was developed that efficiently analyzes the complex relationship between various factors and predict the probability of disease. The model was validated using retrospective analysis which indicated a good predictive ability that could be further utilized in better diagnostics and personalized treatment methods. More importantly, reserch detected specific pattern in the data, which enabled a more accurate prediction of disease at different stages. The study tried to improve a model by fine-tuned neural networks and tested other frameworks to gain the highets precision. This research also provides a basic for future work in directing the development of personalized therapeutic approaches based on individual patient characteristics.
Ova stranica koristi kolačiće da bi vam pružila najbolje iskustvo
Saznaj više