Different structured activated carbons were prepared from Terminalia arjuna nuts, an agricultural waste, by chemical activation with zinc chloride for the adsorption of Cr(VI) from dilute aqueous solutions. The most important parameter in chemical activation was found to be the chemical ratio (activating agent/precursor, g/g). Carbonization temperature and time are the other two important variables, which had significant effect on the pore structure of carbon. A high surface area of 1260m2/g was obtained at a chemical ratio of 300%, carbonization time and temperature of 1 h and 500 °C, respectively. The activated carbon developed shows substantial capability to adsorb Cr(VI) from dilute aqueous solutions. The parameters studied include pH, adsorbent dosage, contact time, and initial concentrations. The kinetic data were best fitted to the Lagergren pseudo-first-order model. The isotherm equilibrium data were well fitted by the Langmuir and Freundlich models. The maximum removal of chromium was obtained at pH 1.0 (about 99% for adsorbent dose of 2 g/l and 10 mg/l initial concentration).

Social media platforms, particularly Twitter, have become essential sources of data for various applications, including marketing and customer service. This study focuses on analyzing customer interactions with Amazon's official support account, "@AmazonHelp," to understand and predict changes in customer sentiment during these interactions. Using the Twitter API, we extracted English-language tweets mentioning "@AmazonHelp," pre-processed the data, and categorized conversations to facilitate analysis. The primary objectives were to classify changes in customer sentiment and predict the overall sentiment change based on initial sentiment. We conducted experiments using multiple machines learning algorithms, including K-nearest neighbor, Naive Bayes, Artificial Neural Network, Bayes Net, Support Vector Machine, Logistic Regression, and Bagging with RepTree. Our dataset comprised over 6,500 conversations, filtered to include those with four or more tweets. Results indicated that K-nearest neighbor and Support Vector Machine offered the best balance between accuracy and F-measure, while Bagging with RepTree achieved the highest accuracy but had a lower F-measure. This study demonstrates the potential of integrating sentiment analysis and machine learning to effectively predict customer sentiment in social networks, providing valuable insights for improving customer engagement strategies.

Credit card fraud detection remains a significant challenge for financial institutions and consumers globally, prompting the adoption of advanced data analytics and machine learning techniques. In this study, we investigate the methodology and performance evaluation of various machine learning algorithms for credit card fraud detection, emphasizing data preprocessing techniques and model effectiveness. Through thorough dataset analysis and experimentation using cross-validation approaches, we assess the performance of logistic regression, decision trees, random forest classifiers, Naïve Bayes classifiers, K-nearest neighbors (KNN), and artificial neural networks (ANN-DL). Key performance metrics such as accuracy, sensitivity, specificity, and F1-score are compared to identify the most effective models for detecting fraudulent transactions. Additionally, we explore the impact of different folds in cross-validation on model performance, providing insights into the classifiers' robustness and stability. Our findings contribute to the ongoing efforts to develop efficient fraud detection systems, offering valuable insights for financial institutions and researchers striving to combat credit card fraud effectively.