Prof. Dr. Mohammad Gharaibeh

Profil

Zusammenfassung

Prof. Dr. Mohammad Gharaibeh ist Islamwissenschaftler und Theologe mit Schwerpunkt auf islamische Ideengeschichte, Theologie und deren zeitgenössische Dimensionen. Er leitet den Aufbau des Zentralinstituts für Islamische Theologie an der Humboldt-Universität und erforscht insbesondere die Verschränkung von Islam mit digitalen Medien, historischen Kanonbildungsprozessen und gegenwärtigen theologischen Diskursen.

Skills

Name

Prof. Dr. Mohammad Gharaibeh

Titel

Prof. Dr.

Fakultät

HU-Theologien

Institut

Zentralinstitut Berliner Institut für Islamische Theologie (BIT)

Arbeitsgruppe

Islamische Ideengeschichte

E-Mail

🔒 nur für eingeloggte sichtbarAnmelden

Telefon

🔒 nur für eingeloggte sichtbarAnmelden

HU-FIS-Profil

Quelle ↗

Zuletzt gescrapt

28.6.2026, 01:05:43

• Aufbau des Zentralinstituts für Islamische Theologie an der Humboldt-Universität zu Berlin

  Quelle ↗

  Förderer: Bundesministerium für Forschung, Technologie und Raumfahrt Zeitraum: 01/2019 - 12/2023 Projektleitung: Prof. Dr. Mohammad Gharaibeh, Prof. Dr. phil. Michael Borgolte

• Fortsetzung des Aufbaus des Zentralinstituts für Islamische Theologie an der Humboldt-Universität zu Berlin

  Quelle ↗

  Förderer: Bundesministerium für Forschung, Technologie und Raumfahrt Zeitraum: 01/2024 - 12/2028 Projektleitung: Prof. Dr. Mohammad Gharaibeh

• Islam und Digitalität: Medialität, Materialität, Hermeneutik.

  Quelle ↗

  Förderer: Bundesministerium für Forschung, Technologie und Raumfahrt Zeitraum: 01/2024 - 06/2027 Projektleitung: Prof. Dr. Mohammad Gharaibeh

🔒 Das System hat 312 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• Automated Monkeypox Skin Lesion Detection Using Deep Learning and Transfer Learning Techniques

  2023

  International Journal of Environmental Research and Public Health · 142 Zitationen · DOI

  The current outbreak of monkeypox (mpox) has become a major public health concern because of the quick spread of this disease across multiple countries. Early detection and diagnosis of mpox is crucial for effective treatment and management. Considering this, the purpose of this research was to detect and validate the best performing model for detecting mpox using deep learning approaches and classification models. To achieve this goal, we evaluated the performance of five common pretrained deep learning models (VGG19, VGG16, ResNet50, MobileNetV2, and EfficientNetB3) and compared their accuracy levels when detecting mpox. The performance of the models was assessed with metrics (i.e., the accuracy, recall, precision, and F1-score). Our experimental results demonstrate that the MobileNetV2 model had the best classification performance with an accuracy level of 98.16%, a recall of 0.96, a precision of 0.99, and an F1-score of 0.98. Additionally, validation of the model with different datasets showed that the highest accuracy of 0.94% was achieved using the MobileNetV2 model. Our findings indicate that the MobileNetV2 method outperforms previous models described in the literature in mpox image classification. These results are promising, as they show that machine learning techniques could be used for the early detection of mpox. Our algorithm was able to achieve a high level of accuracy in classifying mpox in both the training and test sets, making it a potentially valuable tool for quick and accurate diagnosis in clinical settings.

• Stress concentration analysis for countersunk rivet holes in orthotropic plates

  2012

  European Journal of Mechanics - A/Solids · 50 Zitationen · DOI

• Random vibration fatigue life analysis of electronic packages by analytical solutions and Taguchi method

  2019

  Microelectronics Reliability · 37 Zitationen · DOI

• College of Charleston

  Mit dem Propheten ins Gespräch kommen

  university

• Georg-August-Universität Göttingen

  Mit dem Propheten ins Gespräch kommen

  university

• Georgetown University

  Mit dem Propheten ins Gespräch kommen

  university