Intelligent System Algorithms And Applications

In Science And Technology 1st Edition Sunil

Pathak Editor download

https://ebookbell.com/product/intelligent-system-algorithms-and-
applications-in-science-and-technology-1st-edition-sunil-pathak-
editor-36878950

Explore and download more ebooks at ebookbell.com

Here are some recommended products that we believe you will be
interested in. You can click the link to download.

Trends In Deep Learning Methodologies Algorithms Applications And

Systems Hybrid Computational Intelligence For Pattern Analysis And
Understanding Vincenzo Piuri Editor

https://ebookbell.com/product/trends-in-deep-learning-methodologies-
algorithms-applications-and-systems-hybrid-computational-intelligence-
for-pattern-analysis-and-understanding-vincenzo-piuri-editor-34072000

Proceedings Of 2nd International Conference On Artificial Intelligence

Advances And Applications Icaiaa 2021 Algorithms For Intelligent
Systems 1st Ed 2022 Garima Mathur

https://ebookbell.com/product/proceedings-of-2nd-international-
conference-on-artificial-intelligence-advances-and-applications-
icaiaa-2021-algorithms-for-intelligent-systems-1st-ed-2022-garima-
mathur-46074118

Intelligent Computing And Communication Systems Algorithms For

Intelligent Systems 1st Ed 2021 Brahmjit Singh Editor

https://ebookbell.com/product/intelligent-computing-and-communication-
systems-algorithms-for-intelligent-systems-1st-ed-2021-brahmjit-singh-
editor-37118150

Python Machine Learning By Example Implement Machine Learning

Algorithms And Techniques To Build Intelligent Systems 2nd Edition 2nd
Edition Yuxi Hayden Liu

https://ebookbell.com/product/python-machine-learning-by-example-
implement-machine-learning-algorithms-and-techniques-to-build-
intelligent-systems-2nd-edition-2nd-edition-yuxi-hayden-liu-33747532
Cybernetics And Algorithms In Intelligent Systems 1st Ed Radek Silhavy

https://ebookbell.com/product/cybernetics-and-algorithms-in-
intelligent-systems-1st-ed-radek-silhavy-7151208

Software Engineering And Algorithms In Intelligent Systems 1st Ed

Radek Silhavy

https://ebookbell.com/product/software-engineering-and-algorithms-in-
intelligent-systems-1st-ed-radek-silhavy-7151204

Artificial Intelligence And Algorithms In Intelligent Systems 1st Ed

Radek Silhavy

https://ebookbell.com/product/artificial-intelligence-and-algorithms-
in-intelligent-systems-1st-ed-radek-silhavy-7151206

Modelling And Control For Intelligent Industrial Systems Adaptive

Algorithms In Robotics And Industrial Engineering 1st Edition
Gerasimos G Rigatos Auth

https://ebookbell.com/product/modelling-and-control-for-intelligent-
industrial-systems-adaptive-algorithms-in-robotics-and-industrial-
engineering-1st-edition-gerasimos-g-rigatos-auth-1765954

Smart And Intelligent Systems Proceedings Of Sis 2021 Algorithms For

Intelligent Systems 1st Ed 2022

https://ebookbell.com/product/smart-and-intelligent-systems-
proceedings-of-sis-2021-algorithms-for-intelligent-systems-1st-
ed-2022-34516906
INTELLIGENT SYSTEM ALGORITHMS
AND APPLICATIONS IN
SCIENCE AND TECHNOLOGY
Research Notes on Computing and Communication Sciences

INTELLIGENT SYSTEM ALGORITHMS

AND APPLICATIONS IN
SCIENCE AND TECHNOLOGY

Edited by
Sunil Pathak, PhD
Pramod Kumar Bhatt, PhD
Sanjay Kumar Singh, PhD
Ashutosh Tripathi, PhD
Pankaj Kumar Pandey, PhD
First edition published 2022
Apple Academic Press Inc. CRC Press
1265 Goldenrod Circle, NE, 6000 Broken Sound Parkway NW,
Palm Bay, FL 32905 USA Suite 300, Boca Raton, FL 33487-2742 USA
4164 Lakeshore Road, Burlington, 2 Park Square, Milton Park,
ON, L7L 1A4 Canada Abingdon, Oxon, OX14 4RN UK

© 2022 by Apple Academic Press, Inc.

Apple Academic Press exclusively co-publishes with CRC Press, an imprint of Taylor & Francis Group, LLC
Reasonable efforts have been made to publish reliable data and information, but the authors, editors, and publisher cannot assume
responsibility for the validity of all materials or the consequences of their use. The authors, editors, and publishers have attempted
to trace the copyright holders of all material reproduced in this publication and apologize to copyright holders if permission to
publish in this form has not been obtained. If any copyright material has not been acknowledged, please write and let us know so
we may rectify in any future reprint.
Except as permitted under U.S. Copyright Law, no part of this book may be reprinted, reproduced, transmitted, or utilized in any
form by any electronic, mechanical, or other means, now known or hereafter invented, including photocopying, microfilming, and
recording, or in any information storage or retrieval system, without written permission from the publishers.
For permission to photocopy or use material electronically from this work, access www.copyright.com or contact the Copyright
Clearance Center, Inc. (CCC), 222 Rosewood Drive, Danvers, MA 01923, 978-750-8400. For works that are not available on CCC
please contact [email protected]
Trademark notice: Product or corporate names may be trademarks or registered trademarks and are used only for identification
and explanation without intent to infringe.
Library and Archives Canada Cataloguing in Publication
Title: Intelligent system algorithms and applications in science and technology / edited by Sunil Pathak, PhD,
Pramod Kumar Bhatt, PhD, Sanjay Kumar Singh, PhD, Ashutosh Tripathi, PhD, Pankaj Kumar Pandey, PhD.
Names: Pathak, Sunil, editor. | Bhatt, Pramod Kumar, editor. | Singh, Sanjay Kumar (Research professional), editor. |
Tripathi, Ashutosh, editor. | Pandey, Pankaj Kumar, editor.
Description: First edition. | Series statement: Research notes on computing and communication sciences | Includes
bibliographical references and index.
Identifiers: Canadiana (print) 2021020379X | Canadiana (ebook) 20210203978 | ISBN 9781774630211 (hardcover) |
ISBN 9781774639269 (softcover) | ISBN 9781003187059 (ebook)
Subjects: LCSH: Computational intelligence. | LCSH: Machine learning. | LCSH: Artificial intelligence. | LCSH: Internet
of things. | LCSH: Big data. | LCSH: Computer networks. | LCSH: Process control.
Classification: LCC Q342 .I58 2022 | DDC 006.3—dc23
Library of Congress Cataloging-in-Publication Data
Names: Pathak, Sunil, editor.
Title: Intelligent system algorithms and applications in science and technology / edited by Sunil Pathak, PhD, Pramod Kumar
Bhatt, PhD, Sanjay Kumar Singh, PhD, Ashutosh Tripathi, PhD, Pankaj Kumar Pandey, PhD.
Description: First edition. | Palm Bay, FL, USA : Apple Academic Press, 2022. | Series: Research notes on computing and
communication sciences | Includes bibliographical references and index. | Summary: “Intelligent System Algorithms
and Applications in Science and Technology explores the application of intelligent techniques in various fields of en-
gineering and technology. The volume addresses a selection of diverse topics in such areas as machine learning based
intelligent systems for healthcare, applications of artificial intelligence and the Internet of Things, intelligent data
analytics techniques, intelligent network systems and applications, and inequalities and process control systems. The
authors explore the full breadth of the field, which encompasses data analysis, image processing, speech processing
and recognition, medical science and health care monitoring, smart irrigation systems, insurance and banking, robotics
and process control, etc. The 21st century has witnessed massive changes around the world in intelligence systems
in order to become smarter, energy efficient, reliable, and cheaper. This collection of peer-reviewed book chapters,
contributed by renowned experts in the field, will help keep readers up to date; it sheds light on the culture of intelligent
techniques in the field of engineering and technology”-- Provided by publisher.
Identifiers: LCCN 2021019214 (print) | LCCN 2021019215 (ebook) | ISBN 9781774630211 (hardcover) |
ISBN 9781774639269 (paperback) | ISBN 9781003187059 (ebook)
Subjects: LCSH: Expert systems (Computer science) | Automation. | Artificial intelligence. | Algorithms.
Classification: LCC T56.24 .I69 2022 (print) | LCC T56.24 (ebook) | DDC 006.3/3--dc23
LC record available at https://lccn.loc.gov/2021019214
LC ebook record available at https://lccn.loc.gov/2021019215

ISBN: 978-1-77463-021-1 (hbk)

ISBN: 978-1-77463-926-9 (pbk)
ISBN: 978-1-00318-705-9 (ebk)
RESEARCH NOTES ON COMPUTING
AND COMMUNICATION SCIENCES

EDITOR-IN-CHIEF

Dr. Samarjeet Borah

Department of Computer Applications,
Sikkim Manipal Institute of Technology,
Sikkim Manipal University (SMU),
Majhitar, East Sikkim-737136, India
Email: [email protected]
[email protected]

Brief Description of the Series

Computing can be defined as the practice in which computer technology is used
to do a goal-oriented assignment. It covers design and development of hardware
and software systems for various purposes. Computing devices are becoming an
integral part of life now-a-days, including desktops, laptops, hand-held devices,
smartphones, smart home appliances, etc. The evolution of the Internet of Things
(IoT) has further enriched the same. The domain is ever growing and opening up
many new endeavors, including cloud computing, social computing, ubiquitous
computing, parallel computing, grid computing, etc.
In parallel with computing, another field has emerged that deals with
the interconnection of devices. It is communication, and without which, the
modern world cannot be thought of. It works with a basic purpose of trans-
ferring information from one place or person to another. This technology has
a great influence in modern day society. It influences business and society
by making the interchange of ideas and facts more efficient. Communication
technologies include the Internet, multimedia, e-mail, telephone, and other
sound-based and video-based communication means.
This new book series consists of both edited volumes as well as selected
papers from various conferences. Volumes of the series will contain the
latest research findings in the field of communication engineering, computer
science and engineering, and informatics. Therefore, the books cater to the
needs of researchers and readers of a broader spectrum.
vi Research Notes on Computing and Communication Sciences

Coverage & Approach

The series
• Covers a broad spectrum of research domains
• Presents on market-demanded product-based research works
• Discusses the latest developments in the field
The book series broadly considers contributions from the following fields:
• Artificial Intelligence and Expert Systems
• Big Data Analytics
• Broadband Convergence System and Integration Technologies
• Cellular and Mobile Communication
• Cloud Computing Technologies
• Computational Biology and Bioinformatics
• Computer and Information Security
• Computer Architecture
• Computer Graphics and Video Processing
• Control Systems
• Database Management Systems
• Data Mining
• Design Automation
• Digital Signal Processing
• GSM Communication
• High Performance Computing
• Human-Computer Interaction
• IoT and Blockchains
• Machine Learning
• Natural Language Processing
• Next Generation Communication Technologies
• Operating Systems & Networking
• Pervasive Computing and Cyber-Physical Systems
• Robotics and Automation
• Signal Processing
• Smart Internet of Everything
• SOC and System Platform Design Technologies
• Social Network Analysis
• Soft Computing
Research Notes on Computing and Communication Sciences vii

Types of Volumes
This series presents recent developments in the domains of computing and
communications. It will include mostly the current works and research find-
ings, going on in various research labs, universities and institutions and may
lead to development of market demanded products. It reports substantive
results on a wide range of computational approaches applied to a wide range
of problems. The series provides volumes having works with empirical
studies, theoretical analysis or comparison to psychological phenomena. The
series includes the following types of volumes:
• Conference Proceedings
• Authored Volumes
• Edited Volumes
Volumes from the series must be suitable as reference books for researchers,
academicians, students, and industry professionals.
To propose suggestions for this book series, please contact the book
series editor-in-chief. Book manuscripts should be minimum 250–500 pages
per volume (11 point Times Roman in MS-Word with 1.5 line spacing).
Books and chapters in the series are included in Google Scholar and
selectively in Scopus and possibly other related abstracting/indexing services.
BOOKS IN THE RESEARCH NOTES ON
COMPUTING AND COMMUNICATION
SCIENCES SERIES

• Applied Soft Computing: Techniques and Applications

Editors: Samarjeet Borah and Ranjit Panigrahi
• Intelligent System Algorithms and Applications in Science and
Technology
Editors: Sunil Pathak, Pramod Kumar Bhatt, Sanjay Kumar Singh,
Ashutosh Tripathi, and Pankaj Kumar Pandey
• Intelligent IoT Systems for Big Data Analysis: Concepts,
Applications, Challenges, and Future Scope
Editors: Subhendu Kumar Pani, Pani Abhay Kumar,
Samal Puneet Mishra, Ruchi Doshi, and Tzung-Pei Hong
• Computing and Communications Engineering in Real-Time
Application Development
Editors: B. K. Mishra, Samarjeet Borah, and Hemant Kasturiwale
ABOUT THE EDITORS

Sunil Pathak, PhD

Sunil Pathak, PhD, is an Associate Professor and
Head in the Department of Computer Science
and Engineering, Amit School of Engineering
and Technology at Amity University, Rajasthan,
India. Before joining Amity University, he was an
Associate Professor and Head in the Department
of Computer Science and Engineering at Kautilya
Institute of Engineering abd Technology. He was
also formerly at Chanakya Technical Campus
(Kauutilya Group of College) as Director of Academics and Poornima
College of Engineering, Jaipur, India. He has published more than 40
papers in international and national journals and conference proceedings,
10 book and one edited volume. He received 3rd prize for his book Web
Programming (Hind Edition) 2010, in the category of engineering diploma
level by AICTE New Delhi. His areas of research include clustering in ad
hoc networks, QoS supports in wireless networks, channel assignment in
cognitive radio networks and WDM optical networks, machine learning, and
deep learning. He is active as a reviewer for several journals, including IEEE
Transactions on Mobile Computing, IET Networks, EURASIP Journal on
Wireless Communications and Networking, Recent Patents on Engineering,
International Journal of Interactive Mobile Technologies (iJIM), IEEE
Transactions on Network and Service Management, IEE Access, etc. He is
a professional member of IEEE, ACM, IACSE, and IAEN. He has received
his bachelor’s degree from Rajasthan University; MSc (Computer Science
& Engineer); Master of Technology in Information Technology from
Tezpur Central University, Assam, India; and PhD in Computer Science &
Engineering from JK Lakshmipat University Jaipur, Rajasthan, India.
xii About the Editors

Pramod Kumar Bhatt, PhD

Pramod Kumar Bhatt, PhD, is Associate Professor
and Coordinator of PhD Programmes with the
Amity School of Engineering and Technology
(ASET), Jaipur, Rajasthan, India. He has published
research papers in indexed journals and confer-
ences. His research interests include artificial
intelligence, machine learning, soft computing
applications in smart grid power quality analysis
and enhancement, renewable energy integration
challenges, opportunities in smart distribution and transmission systems,
smart microgrids, industrial microgrids, and condition monitoring of smart
grid components. For over 10 years he was extensively involved in industrial
assignments, in particular, R&D, system designing, modification, commis-
sioning, maintenance, systems automation such as PLC, SCADA, and power
drive installation and testing. He has worked in various capacities at universities
of national repute. His degrees include a BE (EE), ME (Power Electronics), and
PhD in Electrical Engineering.

Sanjay Kumar Singh, PhD

Sanjay Kumar Singh, PhD, is an experienced
academician and a research professional with
around eight years of industrial experience and
almost 16 years of teaching experience at engi-
neering colleges. His research interests are in the
areas of intelligent control and automation, bio-
inspired techniques, modern instrumentation and
control engineering, and industrial electronics
with real-time applications. He was awarded his
BE with a specialization in Instrumentation from Poona University, India,
and MTech in Instrumentation from the School of Instrumentation, Devi
Ahilya Vishvidyalaya Indore (MP), India. He was awarded a PhD degree
in Engineering from M.N.I.T., Jaipur, India. He has published around 24
research papers in national and international journals and international
conferences. He is a reviewer and editorial board member of various national
and international journals. He is currently a member of IET UK, ICSES Iran,
and IAENG and a lifetime member of ISTE India.
About the Editors xiii

Ashutosh Tripathi, PhD

Ashutosh Tripathi, PhD, is Assistant Professor
at Amity University, Rajasthan, India. He has
presented and organized several conferences and
seminars and has published papers in interna-
tional journals. He has many years of teaching
experience engineering and is currently guiding a
research associate for a PhD. His area of interest
is wireless communication and embedded tech-
nology. He received a PhD in Engineering.

Pankaj Kumar Pandey, PhD

Pankaj Kumar Pandey, PhD, is Associate
Professor and Head, Chemical Engineering
Department at Amity University Rajasthan,
India. He has presented and organized several
conferences and seminars and has published
papers in international journals. He has 19
years of teaching experience at at the BE,
ME and PhD levels. He is currently guiding
a research associate for a PhD. His area of
interest is adsorption engineering and wastewater treatment. He holds a PhD
in Engineering.
CONTENTS

Contributors ........................................................................................................... xix

Abbreviations .......................................................................................................xxiii
Preface ................................................................................................................ xxvii

PART I: Machine Learning-Based Intelligent Systems

for Healthcare ..............................................................................................1
1. Big Data Analytics and Machine Learning Paradigm:
Predictive Analytics in the Healthcare Sector ..............................................3
Pratiyush Guleria

2. Cancer Cell Growth Discovery Utilizing Computerized Image

Processing Strategies.....................................................................................19
Medhavi Malik, Madhuri Sharma, Dileep Kumar Yadav, and Kavita

3. Analysis and Prediction of Asthma from Common Symptoms

Using Different Machine Learning Algorithms..........................................29
Udbhav Naryani, Praffulla Kumar Dubey, and Medhavi Malik

4. Logistic Regression Based Myocardial Infarction Disease Prediction .....39

Praffulla Kumar Dubey, Udbhav Naryani, and Medhavi Malik

5. New N-Valued Refined Neutrosophic Divergence Measure in

Medical Investigation and Project Selection ..............................................53
Adeeba Umar and Ram Naresh Saraswat

6. Implementation of Quick Response Code in Electronic Records

for Healthcare Monitoring ...........................................................................65
Ishita Banerjee and P. Madhumathy

7. An Innovative Approach to Healthcare Using Machine Learning ...........83

T. Kanagaraj, E. Udayakumar, K. Srihari, and Sunil Pathak

8. Machine Learning Theory and Methods ..................................................101

Ranjeet Yadav and Ashutosh Tripathi
xvi Contents

PART II: Applications of Artificial Intelligence and

the Internet of Things .............................................................................117
9. Artificial Intelligence (AI) .......................................................................... 119
Manju Kaushik

10. Smart Irrigation Using IoT ........................................................................135

Akula Padma Sri, Aakanksha Mudgal, and B. Suresh Kumar

PART III: Intelligent Data Analytics Techniques ................................145

11. A Study for Making Universities Intelligent Using Data
Analytics and Artificial Intelligence ..........................................................147
Yojna Arora and Rashi Kohli

12. Sentiment Analysis of Online Learners in Higher Education:

A Learning Perspective Through Unstructured Data .............................157
Priyanka Shukla and Adarsh Garg

13. Prediction of Aging-Related Bugs Using Software Code Metrics...........171

Arvinder Kaur and Harguneet Kaur

14. Application of CART-Based Modeling in Motor Insurance Fraud ........183

Rohan Yashraj Gupta, Satya Sai Mudigonda, Phani Krishna Kandala,
and Pallav Kumar Baruah

15. Application of Neural Networks for Assessing the Performance

of Insurance Business .................................................................................205
S. R. Pranav Sai, Satya Sai Mudigonda, Phani Krishna Kandala, and
Pallav Kumar Baruah

PART IV: Intelligent Network System and Application ......................231

16. A New Approach to Evaluate Computer Network Security Under
Intuitionistic Trapezoidal Fuzzy Information ..........................................233
Sapna Gahlot and Ram Naresh Saraswat

17. Optimization of Campus-Wide Fiber Networks: LINGO-Based

Derivative of Shortest Path Problems and Solution ................................243
Mohd. Rizwanullah

18. A Novel Approach to Sensors Using an Intensive Survey .......................273

R. Ramesh, E. Udayakumar, K. Srihari, and Sunil Pathak

19. Robotic Process Automation: An Application ..........................................295

Soniya Soni, Gireesh Kumar, and Richa Sharma
Contents xvii

PART V: Inequalities and Process Control Systems:

Application and Methods .......................................................................309
20. (λIR, µIR) Fuzzy Ideals in Γ-Near-Rings ..................................................... 311
Neha Gahlot and Nagaraju Dasari

21. Approximation for Chi-Square F-Divergence via

Midpoint Inequalities..................................................................................323
Anulika Sharma and R. N. Saraswat

22. New Coding Information Inequalities.......................................................337

Ram Naresh Saraswat and Adeeba Umar

23. Metaheuristics-Based Multi-Objective Design of Robust

Process Control Systems .............................................................................355
Nitish Katal and Sanjay Kumar Singh

24. Bianchi Type IX Axially Symmetric Cosmological Model with

Negative Deceleration Parameter in General Relativity .........................373
Sanjay Sharma and Laxmi Poonia

Index .....................................................................................................................383
CONTRIBUTORS

Yojna Arora
Department of Computer Science and Engineering, Amity University, Haryana, India,
E-mail: [email protected]

Ishita Banerjee
Research Scholar, Dayananda Sagar Academy of Technology and Management, Bangalore, Karnataka,
India, E-mail: [email protected]

Pallav Kumar Baruah

Associate Professor, Department of Mathematics and Computer Science,
Sri Sathya Sai Institute of Higher Learning, Puttaparthi, Andhra Pradesh, India
Nagaraju Dasari
Department of Mathematics and Statistics, Manipal University Jaipur, Rajasthan, India

Praffulla Kumar Dubey

Department of Computer Science and Engineering, SRM Institute of Science and Technology, Chennai,
Tamil Nadu, India, E-mail: [email protected]

Neha Gahlot
Department of Mathematics and Statistics, Manipal University Jaipur, Rajasthan, India,
E-mail: [email protected]
Sapna Gahlot
Department of Mathematics and Statistics, Manipal University Jaipur, Jaipur, Rajasthan–303007, India

Adarsh Garg
Professor, School of Computing Science and Engineering Galgotias University, Greater Noida,
Uttar Pradesh, India

Pratiyush Guleria
National Institute of Electronics and Information Technology, Shimla, Himachal Pradesh, India,
E-mail: [email protected]

Rohan Yashraj Gupta

Doctoral Research Scholar in Actuarial Science, Department of Mathematics and Computer Science,
Sri Sathya Sai Institute of Higher Learning, Puttaparthi, Andhra Pradesh, India,
E-mail: [email protected]

T. Kanagaraj
Assistant Professor, Department of ECE, Kalaignarkarunanidhi Institute of Technology (KIT),
Coimbatore, Tamil Nadu, India, E-mail: [email protected]
Phani Krishna Kandala
Visiting Faculty in Actuarial Science, Department of Mathematics and Computer Science,
Sri Sathya Sai Institute of Higher Learning, Puttaparthi, Andhra Pradesh, India

Nitish Katal
School of Electronics, Indian Institute of Information Technology, Una, Himachal Pradesh, India,
E-mail: [email protected]
xx Contributors

Arvinder Kaur
University School of Information and Communication Technology (U.S.I.C.T),
Guru Gobind Singh Indraprastha University (G.G.S.I.P.U), New Delhi, India

Harguneet Kaur
University School of Information and Communication Technology (U.S.I.C.T), Guru Gobind Singh
Indraprastha University (G.G.S.I.P.U), New Delhi, India, E-mail: [email protected]
Manju Kaushik
Associate Professor, Amity Institute of Information Technology (AIIT), Amity University Rajasthan,
India

Kavita
Jayoti Vidyapeeth Women’s University, Jaipur, Rajasthan, India, E-mail: [email protected]

Rashi Kohli
Senior Member, IEEE, Institute of Electrical and Electronics Engineers, New York, US,
E-mail: [email protected]

B. Suresh Kumar
Amity University, Rajasthan, India

Gireesh Kumar
Department of Computer Science Engineering, JK Lakshmipat University, Jaipur, Rajasthan, India

P. Madhumathy
Professor, Dayananda Sagar Academy of Technology and Management, Bangalore, Karnataka, India

Medhavi Malik
Research Scholar, Jayoti Vidyapeeth Women’s University, Jaipur, Rajasthan, India;
Department of Computer Science and Engineering, SRM Institute of Science and Technology,
Chennai, Tamil Nadu, India, E-mail: [email protected]

Aakanksha Mudgal
Amity University, Rajasthan, India

Satya Sai Mudigonda

Honorary Professor in Actuarial Science, Department of Mathematics and Computer Science,
Sri Sathya Sai Institute of Higher Learning, Puttaparthi, Andhra Pradesh, India

Udbhav Naryani
Department of Computer Science and Engineering, SRM Institute of Science and Technology, Chennai,
Tamil Nadu, India, E-mail: [email protected]

Sunil Pathak
Associate Professor, Department of CSE, Amity School of Engineering and Technology, Jaipur,
Rajasthan, India

Laxmi Poonia
Department of Mathematics and Statistics, Manipal University Jaipur, Jaipur, Rajasthan–303007, India,
E-mail: [email protected]

R. Ramesh
Department of ECE, Kalaignarkarunanidhi Institute of Technology (KIT), Coimbatore, Tamil Nadu,
India, E-mail: [email protected]

Mohd. Rizwanullah
Associate Professor, Department of Mathematics and Statistics, Manipal University Jaipur, Jaipur,
Rajasthan, India, E-mail: [email protected]
Contributors xxi

S. R. Pranav Sai
Doctoral Research Scholar in Actuarial Science, Department of Mathematics and Computer Science,
Sri Sathya Sai Institute of Higher Learning, Puttaparthi, Andhra Pradesh, India,
E-mail: [email protected]

Ram Naresh Saraswat

Department of Mathematics and Statistics, Manipal University Jaipur, Jaipur, Rajasthan–303007, India,
E-mail: [email protected]
Anulika Sharma
Department of Mathematics and Statistics, Manipal University Jaipur, Jaipur, Rajasthan–303007, India,
E-mail: [email protected]
Madhuri Sharma
SRM IST Delhi NCR Campus, Modinagar, Ghaziabad, Uttar Pradesh, India,
E-mail: [email protected]

Richa Sharma
Department of Mathematics, JK Lakshmipat University, Jaipur, Rajasthan, India,
E-mails: [email protected]; [email protected]

Sanjay Sharma
Department of Mathematics and Statistics, Manipal University Jaipur, Jaipur, Rajasthan–303007, India

Priyanka Shukla
Research Scholar, School of Computing Science and Engineering Galgotias University, Greater Noida,
Uttar Pradesh, India, E-mail: [email protected]

Sanjay Kumar Singh

Department of EEE, Amity University Jaipur, Jaipur, Rajasthan, India

Soniya Soni
Department of Computer Science Engineering, JK Lakshmipat University, Jaipur, Rajasthan, India

Akula Padma Sri

Amity University, Rajasthan, India

K. Srihari
Associate Professor, Department of CSE, SNS College of Technology, Coimbatore, Tamil Nadu, India

Ashutosh Tripathi
Department of ECE, Amity School of Engineering and Technology, Noida, Uttar Pradesh, India

E. Udayakumar
Assistant Professor, Department of ECE, Kalaignarkarunanidhi Institute of Technology (KIT),
Coimbatore, Tamil Nadu, India

Adeeba Umar
Department of Mathematics and Statistics, Manipal University Jaipur, Jaipur, Rajasthan–303007, India,
E-mail: [email protected]

Dileep Kumar Yadav

Galgotias University, Greater Noida, Uttar Pradesh, India, E-mail: [email protected]

Ranjeet Yadav
Amity University Rajasthan, India, E-mail: [email protected]
ABBREVIATIONS

ACC actuarial control cycle

AD average difference
AHE adaptive histogram equalization
AI artificial intelligence
AMU Aligarh Muslim University
API application interface
ARB aging-related bugs
AUC area under the curve
BPM beats per minute
CAM cooperative mindfulness message
CEC consumer electronics control
CNN convolutional neural networks
CRM customer relationship management
CSF cerebrospinal fluid
CSI camera serial interface
CSTR continuous stirred tank reactor
CUL channel utilization list
CW contention window
DCF dispersed coordination function
DoS Daniel of service
DVI digital visual interface
EDCA enhanced disseminated channel
EGC electrocardiogram
EHR electronic health record
FP false positive
FPR false positive rate
GLCM gray level co-occurrence matrix
GSM Global system for mobile
HITECH Health Information Technology for Economic and Clinical Health
I2V infrastructure-to-vehicle
ID3 dichotomiser 3
IoT internet of things
IRC interest rate change
IRL interest rate level
xxiv Abbreviations

ISE integral square of error

IT insurer type
ITF intuitionistic trapezoidal fuzzy
IVITFWG interval-valued intuitionistic trapezoidal fuzzy weighted geometric
IVTrIFN interval-valued trapezoidal IFN
JSON JavaScript object notation
KNN K-nearest neighbor
KPIs key performance indicators
LDA latent Dirichlet allocation
LOC Lines of code
LSR link-state routing convention
LT launch time
LTI linear time-invariant
MANETs mobile uncommonly selected frameworks
MD maximum difference
ML machine learning
MOEA/D multi-objective evolutionary algorithm based on decomposition
MOOCs massive open online course
MOP multi-objective optimization problem
MPR multipoint relay
MSE mean square error
NLP natural language processing
OBUs on board units
OCR optical character recognition
OFDM orthogonal frequency division multiplexing
ONF open networking foundation
PCA principal component analysis
PF page fault
PNC physical-layer network coding
POC proof of concept
POS pareto optimal solutions
PSNR peak signal to noise ratio
QoS Quality of service
QR quick response
RBF radial basis function
RMSE root mean square error
ROC receiver operating characteristics
RPA robotic process automation
RQs research questions
Abbreviations xxv

RRP route request packets

RSU roadside units
RW Robertson-Walker
SMAC social, mobile, analytic, cloud
SMO sequential minimal optimization
SMS short message service
SNA social network analysis
SNIP source normalized impact per paper
SPP shortest path problems
SVM support vector machine
TN true negative
TP true positive
TPR true positive rate
TrIFN trapezoidal IFN
TrIFWA intuitionistic trapezoidal fuzzy weighted average
TSP traveling salesperson problem
UI unexpected inflation
UP underwriting profits
URL uniform resource locator
V2V vehicle-to-vehicle
VANET vehicular ad-hoc network
VoIP voice over IP
WAGO weighted arithmetic averaging operator
WAVE wireless access in vehicular environment
WHO World Health Organization
ZN Ziegler Nichols
PREFACE

In the past few decades, intelligence in the field of engineering and technology
has become a fundamental objective for developing and developed countries.
The twenty-first century has witnessed massive changes around the world in
intelligence systems in order to become smarter, energy efficient, reliable,
and cheaper. Therefore, it is high time for the whole world to envisage and
ponder devising an apt mechanism for the adoption of an intelligent system in
the process of modernization.
The application of intelligence in engineering and technology is a vast
field; however, we have tried to explore the full breadth of the field, which
encompasses data analysis, image processing, speech processing, and
recognition medical science and healthcare monitoring, smart irrigation
systems, insurance, and banking, robotics, and process control, etc.
This book is an assortment of precious gem book chapters contributed by
renowned experts that focus on various aspects of fostering and imbibing the
culture of intelligent techniques in the field of engineering and technology.
Furthermore, this book puts a spotlight on various aspects of the application
of intelligent techniques in various fields of engineering and technology.
This book is separated into 24 chapters. Chapter 1 presents the patient-
centric healthcare frameworks in the context of big data and discusses the
Naïve Bayes, decision tree data mining techniques, and their solutions in
the healthcare sector. Chapter 2 discusses “Cancer Cell Growth Discovery
Utilizing Computerized Image Processing Strategies.” Chapter 3 describes
the different symptoms of asthma and implements different types of machine
learning algorithms, like the random forest, decision tree, and Naïve
Bayes algorithms in order to predict whether a person has asthma or not.
Chapter 4 discusses the proposal to predict myocardial infraction disease
by implementing various algorithms of machine learning like Naïve Bayes
algorithm, decision tree, logistic regression, and random forest. Chapter
5 proposes a novel divergence measure under the refined neutrosophic
environment with its proof of validity. The application of the proposed
divergence measure is given in decision making such as in medical diagnosis
and in project selection.
Chapter 6 focuses on the implementation of QR codes for the major
purpose of effective and effortless laboratory report exchange and in
xxviii Preface

healthcare monitoring. Chapter 7, for discussion, reflects on the latest

progress of the study on an innovative approach to healthcare using machine
learning. Chapter 8 in-depthly discusses artificial intelligence (AI), its
importance, and its application in various fields. Chapter 9 is related to
machine learning theory and the points to comprehend the basic standards
of learning as a computational procedure and joins devices from computer
science and statistics. Chapter 10 presents the sentiment analysis of online
learners in higher education and seeks to explore the unstructured data in
terms of sentiments of online learners on their perceived learning. Chapter 11
describes speech recognition with static and dynamic approaches in artificial
neural networks and shows the relative benefits of both static and dynamic
approaches with speech features for an improved visual speech recognition
system. Chapter 12 focuses on the presence of aging-related bugs (ARB)
using source code metrics. Six different machine learning algorithms are
applied to predict the non-frequent occurring bugs from Zookeeper software.
The experiment highlighted the Naïve Bayes classifier with the best results.
Chapter 13 presents an automated system that has been developed
to irrigate plants. The normal growth of plants, yield, and the quantity of
agricultural products are seriously affected by the water provided to them.
This automated system waters the plant automatically as and when required
without human interaction. Chapter 14 presents the main theories and key
application of CART-based modeling in motor insurance fraud detection.
Chapter 15 deals with big data analysis and artificial intelligence applications
to help the students predict their performance and teachers to scrutinize the
students’ performance. Chapter 16 discusses the theories and key applications
of neural networks for assessing the performance of the insurance business.
Chapter 17 presents the derivation and model for the physical inflationary
universe under the effect of the scalar field, which is purely massless and
with a flat potential.
Chapter 18 proposes MADM problems for evaluating computer network
security with TrIFN (intuitionistic trapezoidal fuzzy weighted average).
Chapter 19 presents an optimization of a network problem using LINGO
software to solve a campus-wide optical fiber network problem based on
a spanning tree. Chapter 20 establishes some new coding bounds using
well-known inequalities, and the results are proved through numerical
illustrations, which will be of interest in information and coding theory. A
major toolchain is formed by these inequalities for proving many outcomes
in information theory. Chapter 21 presents robotic process automation (RPA),
an automation technology based on software tools that could imitate human
Preface xxix

behavior for repetitive and on-value-added tasks such as tipping, copying,

pasting, extracting, merging, and moving data from one system to another
system. Chapter 22 introduced fuzzy ideals in Γ-near ring, for example, and
verifys few properties. Chapter 23 presents a novel approach on sensors and
examines the effects of a MAC layer, PHY layer remote channel situations,
and versatility of vehicles on group structure. Chapter 24 investigates a
metaheuristics-based multi-objective optimal design of robust controllers for
a parametrically uncertain pH neutralization process. The controller design
problem has been formulated as a multi-objective optimization problem
(MOP) using various time domain and frequency domain performance
indices.
The research contributions made by the academics of high pursuits not
only show their deep sense of agony but also suggests numerous plausible
solutions to conquer problems. Although this attempt is a tiny step intended
towards the massive change, we hope it will be a valuable contribution to
society at large.
—Editors
 PART I
Machine Learning-Based Intelligent
Systems for Healthcare
CHAPTER 1

BIG DATA ANALYTICS AND MACHINE

LEARNING PARADIGM: PREDICTIVE
ANALYTICS IN THE HEALTHCARE
SECTOR
PRATIYUSH GULERIA
National Institute of Electronics and Information Technology, Shimla,
Himachal Pradesh, India, E-mail: [email protected]

ABSTRACT

Big data analytics is the emerging field of data mining where the major
challenge is to discover meaningful information from raw data. Big data
comprises of unstructured, semi-structured, and structured forms. The super-
vised and unsupervised learning techniques, i.e., classification and clustering
algorithms of data mining helps to retrieve meaningful information. The
big data managed using mining techniques have increased computational
intelligence and effective decision-making. In this chapter, the author has
proposed the patient-centric healthcare frameworks in the context of big data
and has discussed the Naïve Bayes, Decision tree data mining techniques,
and their solutions to the healthcare sector. The supervised and unsupervised
machine learning (ML) algorithms are implemented on the dataset for data
analysis and information retrieval.

1.1 INTRODUCTION

Big data analytics has received attention from different fields of computer
science which involves data mining, artificial intelligence (AI), machine
learning (ML), and mathematical analytics. The big data term is based on
4 Intelligent System Algorithms and Applications in Science and Technology

the characteristics, which are (a) volume, (b) velocity, and (c) variety. The
first characteristics focus on the volume of data which may be in terabytes,
petabytes, or more. The second characteristics are the velocity of data where
the data emerges in every second, and the third is a variety of data. The
data can be in any format, i.e., images, pdf files, office automation, or it
can be data from internet resources, software, and database application files.
The Big data analytics field utilization in medical and healthcare sectors
is the demand of present research. The ML and data mining techniques
have been working in close interrelation with big data analytics to provide
solutions in (a) computer-aided medical diagnosis, (b) intelligent healthcare
informatics system, (c) predictive analytics in healthcare, (d) electronic
record maintenance of patients, (e) smart systems for identifying diseases
and diagnosis, (f) IoT enabled devices for medical diagnostics, (g) intelligent
web semantics for healthcare sector, (h) knowledge data discovery for
healthcare sector. ML algorithms help in handling healthcare challenges
and can discover the ethical implications of healthcare data, patient health
optimization, etc.
Authors Liang and Kelemen [1] have discussed the healthcare func-
tionalities, i.e., (a) clinical decision support, (b) diseases surveillance, (c)
healthcare management, etc., concerning big data.

1.1.1 CHALLENGES OF BIG DATA IN HEALTHCARE SECTOR

The challenges in handling big data related to the healthcare sector involves:

1. Data generation from multiple sources;

2. Diversified data formats;
3. Huge voluminous data;
4. Symptoms vary from patient to patient;
5. Patients pertain to different geographical areas;
6. Non-availability of data in electronic form;
7. Hidden and missing values in the datasets;
8. Non-availability of diagnostic data;
9. Missing historical record of patients;
10. Diversified healthcare areas;
11. Challenges in the collection of clinical reports and drug prescribed
information;
12. Drug prescriptions to patients are in unstructured and non-electronic
form.
Big Data Analytics and Machine Learning Paradigm 5

The vital role of Big data analytics in convergence with ML is to give

useful insight into these challenges. The tasks of transforming the raw data
into meaningful form, preprocess the data to detect outliers, and prediction
of fruitful results can be done using big data analytics, ML. The healthcare
data available in digital format enables the patients to communicate with
the patients having similar problems and gain information like (a) disease
symptoms, (b) side-effects of medicines, (c) clinical reports, etc. [2, 3]. The
predictive analytics can be done using data mining techniques. With the
help of mining and statistical techniques, future events can be predicted [4].
The big data consists of the MapReduce programming model which
uses the Hadoop distributed file system for analyzing the big data. In this
framework, the data is divided into <key, value> pair to filter the meaningful
information. Authors in Ref. [5] have proposed the architectural framework
for healthcare systems. The framework consists of layers where data
extraction and transformation take place in Transformation Layer and then
the data goes through staging processes. In the Big data platform layer, the
Hadoop ecosystem works using MapReduce Programming models. After
the Big data platform layer, the analytical layer work through data mining
techniques, reporting, etc.

1.1.2 ELECTRONIC HEALTH CARE FRAMEWORK

In the traditional approach, the patient approaches the doctor with some
symptoms, and in response, after the check-up of the patient, the doctor
recommends him to take some tests and diagnose the patients with some
medicines. The major challenge in this approach is that the data related to the
symptoms and diagnosis is not maintained electronically. In such a scenario,
big data analytics could help the patient, if the data is maintained electronically.
The electronically maintained data of the patient can be analyzed using big
data analytics and ML algorithms. It helps those patients who are having
similar diagnostics and unable to visit the hospital to take telemedicine for their
healthcare needs. The analytical results generated using the electronic healthcare
record-keeping system can further trigger regular alerts to patients in the future.
The semantic compatibility in clinical records results in inefficiency in
healthcare systems. The electronic health records (EHR) of patients need to
be converted into Web ontology language. The semantic analytics of health-
care data helps in the classification and visualization of data [6].
A framework based on the doctor-patient-centric is proposed in Figure 1.1.
The framework depicts the approach where the traditional approach needs
6 Intelligent System Algorithms and Applications in Science and Technology

to be converted into electronic healthcare, which becomes the first step for
getting meaningful information from huge unstructured data collected per-
second basis.

FIGURE 1.1 Healthcare framework in the context of big data analytics.

1.2 BIG DATA AND MACHINE LEARNING (ML) PARADIGM

Big data is related to storage, ingestion, and extraction tolls commonly

Hadoop. In Big data, data analysis is done, the hidden patterns are
discovered, and useful information is extracted from it. The ML techniques,
i.e., supervised, semi-supervised, and unsupervised learning techniques
are implemented on big data to find the hidden patterns and disseminate
useful information. The supervised learning helps in developing predictive
models based on both input and output data. The classification techniques
in supervised learning are support vector machines (SVM), discriminant
analysis, naïve Bayes and nearest neighbor, whereas linear regression and
neural network are regression techniques.
In unsupervised learning, it helps in discovering an internal representa-
tion from the input data only. The unsupervised learning techniques involve
clustering techniques like: k-means, hierarchical, and neural networks.

1.2.1 CHARACTERISTICS OF BIG DATA

Big data has four characteristics which are as follows:

Big Data Analytics and Machine Learning Paradigm 7

1. The volume which means a quantity of data;

2. Velocity means processing speed of data;
3. Variety means data which can be structured, semi-structured or
completely unstructured; and
4. Veracity means inconsistent and uncertain data, i.e., data having outliers.

The characteristics of big data are shown in Figure 1.2.

FIGURE 1.2 Characteristics of big data.

1.2.2 BIG DATA ANALYTICS TOOLS

There are Big data analytical tools for storing and analyzing data for effec-
tive decision-making and faster information retrieval. Some of the tools are
shown in Table 1.1.

TABLE 1.1 Big Data Analytical Tools

Hadoop Data storage and processing platform. The Hadoop ecosystem consists
of Hadoop distributed file system, MapReduce, etc.
Hive Performs SQL query and is used in data warehousing.
Splunk Log analysis platform.
Apache Spark Real-time processing of large amount of data. The data is analyzed
using machine learning and perform faster execution. The programming
development environments used are R, Python, and Scala.
Kafka Messaging system.
Pig Data analysis platform. It uses scripting language.
Apache HBASE No SQL database.
Talend Software integration platform.
MapReduce Based upon parallel computing to handle big data.
8 Intelligent System Algorithms and Applications in Science and Technology

1.3 BIG DATA AND MACHINE LEARNING (ML) RELATIONSHIP

Big data comprises of data like images, spreadsheets, tabular data files, custom
files. Big data techniques use the file systems like HDFS/Hadoop and data-
bases like SQL and NoSQL for convenient data access. The data is explored,
processed, and analyzed using statistical techniques, ML techniques for storage
of data into memory and to find the data which do not fit into memory.
The unsupervised and supervised ML techniques are implemented on big
data to develop predictive models. The relationship between big data and
ML techniques are shown in Figure 1.3.

FIGURE 1.3 Big data and machine learning relationship.

1.3.1 MACHINE LEARNING (ML) PHASES

In ML, in the first phase, the data is accessed and explored. The data consists
of files, databases, information from sensors, etc. In the second phase, the
data is preprocessed which involves the following:

• Removal of outliers;
Big Data Analytics and Machine Learning Paradigm 9

• Extraction of meaningful information from unstructured data;

• Data reduction, transformation;
• Feature extraction.

In the third phase, the predictive models are developed on big data. The
predictive model involves:

• Model creation, i.e., ML;

• Parameter optimization;
• Model validation using techniques like neural network.

1.3.2 IMPORTANCE OF MACHINE LEARNING (ML) IN BIG DATA

ANALYTICS

• Predicting future trends of market.

• Better solutions to complex market problems in a stipulated time frame.
• Healthcare solutions by identifying diseases at early stages.
• The effective decision-making process of businesses.
• ML is advantageous in pattern recognition like speech, images, etc.
• In developing financial algorithms, biological problems like tumor
detection, drug discovery.

1.4 DATA ANALYTICS WITH MACHINE LEARNING (ML)

The big data, which may be structured, unstructured or semi-structured is

analyzed through ML techniques for effective decision-making. ML uses
data mining techniques to extract meaningful information from data and to
develop ML models. In Figure 1.4, the steps for data analytics with ML are
shown. The data which may be in the form of files like: .csv .arff .xlsx,
images, word or pdf files, etc., are imported.
The data is then preprocessed, which includes removing missing and
outliers. The learning techniques are then implemented to select and train
the model, validate it for predictive analytics. Effective ML systems can be
developed based on the following requirements:

• Effective data preparation capabilities;

• Algorithm development;
• Automotive and iterative processes;
10 Intelligent System Algorithms and Applications in Science and Technology

• Scalable;
• Ensemble modeling.

FIGURE 1.4 A framework for data analytics with machine learning.

1.4.1 MACHINE LEARNING (ML) APPROACHES

The Naïve Bayes and Decision tree classifiers are implemented for predictive
modeling. The blood pressure values are predicted and validated for the dataset
shown in Table 1.2. The semi-synthesized dataset is used for experimentation
purposes. The attributes of the dataset are: {gender, age, wgt, smoke, systolic
blood pressure, diastolic blood pressure}. The predictor names in the models
implemented are: {sex, age, wgt, and smoke}.
The decision tree and naïve Bayes techniques are implemented as super-
vised ML techniques here because they require target variable to find the
probability for a specific value of feature in Naïve Bayes and decision trees.

1.4.2 NAÏVE-BAYES

Here, one of the supervised learning approaches are implemented, i.e., Naïve-
Bayes in WEKA tool. WEKA means Waikato Environment for Knowledge
Analysis. It is a ML tool for data analysis and predictive modeling.
Bayesian theorem-based Naïve-Bayes algorithm is preferred when the
dimensionality of the input is high and requires a small amount of training
data. Naive-Bayes assumes that all the features are conditionally independent
for a given class label [7, 8]. Bayes theorem states that if the probability of
any event i conditional on event j is to be obtained, then calculate the prob-
ability of both i and j together and divide it by the probability of j. This is
Big Data Analytics and Machine Learning Paradigm 11

stated as follows: Pr (j | i) = Pr (i and j)/Pr (i) where P (j|i) is the Conditional

probability denoting the probability of j given that i has already occurred [9].
P (i|j) = P (j|i) × P (i)/P (j) (1)
Eqn. (1) states that the probability of i given j equals the probability of j
given i times the probability of i, divided by the probability of j. In Eqn. (1),
i is the hypothesis to be tested and j is the evidence associated with i.

 Objective: The objective is to predict the Blood Pressure values

using Bayes classifier. To model the systolic pressure as a function
of patients, the attributes classified are mentioned as below:
• Age;
• Smoker;
• Gender;
• Weight.
 Preprocess Data: During the preprocessing of data, the outliers are
detected and removed. The attributes, i.e., gender and smoke values are
converted into categorical form, i.e., Gender = {‘M,’ ‘F’}, Smoke = {1, 0}.

TABLE 1.2 Semi-Synthesized Dataset for Blood Pressure

Gender Age Weight Smoking Sys Blood Dia Blood Remarks
Pressure Pressure
The attribute “sex”
Independent

Independent

Independent

Independent

and “smoke” values are

Variable

Variable

Variable

Variable

defined as follows:

f 43 174 1 125 92 Sex = { Male-’m,’

f 38 162 1 108 76 Female-’f’
m 37 134 0 124 81
m 41 132 1 115 76 Smoke = {
f 48 120 0 121 81 1- ‘yes’
f 45 141 0 122 71 0- ‘no’
f 34 143 1 129 87 }
f 41 179 0 116 83
f 39 174 0 125 94
m 42 162 1 110 76
---- ---- ---- ---- ---- ----
F 46 174 1 113 87
12 Intelligent System Algorithms and Applications in Science and Technology

The results are shown in the form of confusion matrix shown in Table 1.3.
Table 1.3 shows the target class, i.e., blood pressure value for the predictor
variables, i.e., age, smoke, gender, and weight.

TABLE 1.3 Naïve Bayes Classifier Model

Scheme: Naive Bayes classifier
Instances: 100 sex, age, wgt, smoke, sys, dia, class
Attributes: 7
Test mode: 10-fold cross-validation
=== Classifier model (full training set) ===
Class
Attribute High Normal
(0.33) (0.67)
sex
f 15.0 41.0
m 20.0 28.0
[total] 35.0 69.0
Time taken to build model: 0.01 seconds
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances – 89%
Incorrectly Classified Instances – 11%
=== Confusion Matrix ===
a…………b < Classified as
28…………5 | a = High
6…………61 | b = Normal

1.4.3 DECISION TREE

A decision tree is a data mining technique that generates trees after testing
the training set and defines predictions [10]. It is a supervised ML technique
for classification of data using training dataset. A decision tree is a tree-like
structure which uses if-then statements to generate decisions.

1.4.3.1 CALCULATION OF INFORMATION GAIN

Information gain, as the name specifies, it is the information that is obtained

by knowing the attribute values. The parameter which best classifies the data
Big Data Analytics and Machine Learning Paradigm 13

is Entropy (H). Entropy is a good measure of the information carried by a

group of events. There are two states, i.e., Positive and Negative examples
from set S. Entropy of set S is denoted by H(S).
The entropy is shown by Eqn. (2), where; S=sample of n training events
and Pi is the probability of occurrence of event.
(S ) ∑
n
H= i =1
− Pi log 2 Pi (2)

Such that: ∑ i =1 Pi = 1
n

Information gain is a statistical quantity measuring how well an attribute

classifies the data. The decision tree calculates the information gain for each
attribute.
The information gain (Gain(S, Ai)) for each attribute is calculated using
Eqn. (3). The attribute with the highest information gain has been chosen for
decision-making. In Eqn. (3), Ai is the attribute selected for classification.
H ( S ) − ∑ v∈Values( A ) P ( Ai =
Gain ( S, Ai ) = v ) H ( Sv ) (3)
i

The classifier model obtained using decision tree is shown in Table 1.4.
The decision tree is visualized in Figure 1.5. The figure shows that
systolic blood pressure attribute, i.e., “sys” is the root node.

Tree View

sys
<= 127 > 127

dia High (25.0/1.0)

<= 83 > 83
Normal (55.0/1.0) sys
<= 119 > 119
Normal (6.0) sex
=f =m
Normal (6.0/2.0) High (8.0/2.0)

FIGURE 1.5 Decision tree.

14 Intelligent System Algorithms and Applications in Science and Technology

TABLE 1.4 Decision Tree Classifier Model

=== Run information ===
Scheme: J48 classifier
Instances: 100
Attributes: 7 sex, age, wgt, smoke, sys, dia, class
Test mode: evaluate on training data
J48 pruned tree
sys <= 127
| dia <= 83: Normal (55.0/1.0)
| dia > 83
| | sys <= 119: Normal (6.0)
| | sys > 119
| | | sex = f: Normal (6.0/2.0)
| | | sex = m: High (8.0/2.0)
sys > 127: High (25.0/1.0)

Number of Leaves: 5
Size of the tree: 9

Time taken to build model: 0.01 seconds

=== Evaluation on training set ===
Time taken to build model: 0.01 seconds
=== Evaluation on training set ===
Time taken to test model on training data: 0 seconds
=== Summary ===
Correctly Classified Instances 94 94%
Incorrectly Classified Instances 6 6%
=== Confusion Matrix ===
a b <-- classified as
30 3 | a = High
3 64 | b = Normal

1.5 UNSUPERVISED LEARNING APPLICATIONS IN HEALTHCARE

The unsupervised learning approach deals with unlabeled data and there is
no predefined training of input dataset is performed. In this approach, the
information is extracted on the basis of patterns and similarity.
The clustering is performed in the WEKA tool on the dataset shown in
Table 1.2. The K-Means clustering is applied on the dataset. K-Means is a
Big Data Analytics and Machine Learning Paradigm 15

distance-based algorithm and uses the Euclidean distance for distance calcu-
lation in clusters. The Clustering model obtained from the training dataset is
shown in Table 1.5.

TABLE 1.5 K-Means Clustering Model

=== Run information ===
Scheme: Clustering
Instances: 100
Attributes: 7 sex, age, wgt, smoke, sys, dia, class
Test mode: evaluate on training data
Number of clusters selected by cross-validation: 2
Number of iterations performed: 1
Cluster
Attribute 0 1
(0.67) (0.33)
=================================
sex
m 26.814 622.1854
f 41.7138 13.2862
[total] 68.5284 35.4716
age
mean 37.8347 39.165
std. dev. 7.26 6.9315
wgt
mean 149.5788 162.7876
std. dev. 25.5211 26.0312
smoke
mean 0.0128 0.9904
std. dev. 0.1124 0.0978
sys
mean 119.4177 129.4628
std. dev. 4.6113 4.8875
dia
mean 79.3311 90.1729
std. dev. 4.5693 4.7376
class
High 6.6772 28.3228
Normal 61.8512 7.1488
[total] 68.5284 35.4716
Time taken to build model (full training data): 0.14 seconds

=== Model and evaluation on training set ===

Clustered Instances
0 66 (66%)
1 34 (34%)
16 Intelligent System Algorithms and Applications in Science and Technology

The clustering plot of two attributes, i.e., sys blood pressures with respect
to age are shown in Figure 1.6. The sys is shown on Y-Axis and age is shown
on X-Axis. The classes are categorized as High and Normal.

Plot: hospital

138

123.5

109
25 37.5 50

FIGURE 1.6 Clustering of sys (y-axis) and age (x-axis) attributes.

1.6 CONCLUSION

The confluence of big data technology and ML in the healthcare sector is

a boon to society. The results obtained using these technologies can make
accurate decisions, generate EHRs, save cost and improve livelihood. In this
chapter, the role of big data technology and its challenges in the healthcare
sector are discussed. The electronic healthcare and ML framework for data
analytics are also proposed, which shows that the traditional approach of
the healthcare sector which needs to be converted into Electronic health-
care. ML techniques are implemented on the healthcare data to develop a
model and generate meaningful results. The ML techniques implemented on
healthcare data help in better analysis of patient data and predictions. The
ML techniques process the existing patient’s data and provide personalized
healthcare through improved, accurate diagnostics.
Big Data Analytics and Machine Learning Paradigm 17

KEYWORDS

• algorithms
• analytics
• artificial intelligence
• data analytics
• data mining
• healthcare management
• machine learning
• mathematical analytics

REFERENCES

1. Liang, Y., & Kelemen, A. (2016). Big Data science and its applications in health and
medical research: Challenges and opportunities. J Biom Biostat, 7(307), 2.
2. Bouhriz, M., & Chaoui, H., (2015). Big data privacy in healthcare Moroccan context.
Procedia Computer Science, 63. 575–580. https://doi.org/10.1016/j.procs.2015.08.387.
3. Patil, H. K., & Seshadri, R., (2014). Big data security and privacy issues in healthcare.
IEEE Int. Congr. Big Data, 762–765. doi: 10.1109/BigData.Congress.2014.112.
4. Mishra, N., & Silakari, S., (2012). Predictive analytics: A survey, trends, applications,
opportunities and challenges. International Journal of Computer Science and Information
Technologies, 3(3), 4434–4438.
5. Raghupathi, W., & Raghupathi, V., (2014). Big data analytics in healthcare: Promise and
potential. Heal. Inf. Sci. Syst., 2(3). https://doi.org/10.1186/2047-2501-2-3.
6. Legaz-Garca, M. D. C., Martinez-Costa, C., Menarguez-Tortosa, M., & Fernandez-Breis,
J. T., (2016). A semantic web-based framework for the interoperability and exploitation
of clinical models and EHR data. Knowledge-Based Syst., 105, 175–189. https://doi.
org/10.1016/j.knosys.2016.05.016.
7. Murphy, K. P., (2006). Naive Bayes Classifiers. University of British Columbia.
8. Parthiban, G., Rajesh, A., & Srivatsa, S. K., (2011). Diagnosis of heart disease for diabetic
patients using naive Bayes method. International Journal of Computer Applications,
24(3), 0975–8887.
9. Khan, S. S., & Peer, M. A., (2013). Evaluation of knowledge extraction using various
classification data mining techniques. International Journal of Advanced Research in
Computer Science and Software Engineering, 3(6). ISSN: 2277128X.
10. Brefelean, V. P., (2007). Analysis and predictions on students’ behavior using decision
trees in Weka environment. Proceedings of the ITI 2007 29th International Conference
on Information Technology Interfaces. Cavtat, Croatia.
CHAPTER 2

CANCER CELL GROWTH DISCOVERY

UTILIZING COMPUTERIZED IMAGE
PROCESSING STRATEGIES
MEDHAVI MALIK,1 MADHURI SHARMA,2 DILEEP KUMAR YADAV,3
and KAVITA1
1
Jayoti Vidyapeeth Women’s University, Jaipur, Rajasthan, India,
E-mails: [email protected] (M. Malik),
[email protected] (Kavita)
2
SRM IST Delhi NCR Campus, Modinagar, Ghaziabad, Uttar Pradesh,
India, E-mail: [email protected]
3
Galgotias University, Greater Noida, Uttar Pradesh, India,
E-mail: [email protected]

ABSTRACT

Starting late, the image getting ready segments are used for the most part in
a couple of correction areas to improve the earlier stages of dissemination
and medication, where the time factor is essential to discover the patient’s
disease as much as possible, exclusively in various cancerous tumors like
lung cancer. In recent years in lung cancer, the idea of treatment and sciatica
systems has been associated with uncomfortable medication. The 2008
findings suggest that lung cancer attacks most people worldwide. Early
revelation of lung cancer is critical for productive medication. There are very
few systems open to perceive cancerous cells.

2.1 INTRODUCTION

Cancer is the growth of abnormal cells that are not controlled in the body.
There are billions of cells of different abilities in the body. These cells grow
Another Random Scribd Document
with Unrelated Content
Kapitein er niet veel van geloofde, zoo gaf hij hem er toch
vergunning toe.
Ik schreef daar met opzet dat de Kapitein er niet veel van geloofde,
en dat bewijst juist, dat hij het niet tegenspreken durfde ook. De
leer der geneesmiddelen was toen en nog zeer vele jaren daarna, al
eene heel vreemde leer. Ze is het voor een deel nog, want hoevele
onnoozele menschen leggen bij eene wonde er papier van een
tabakszakje of spinrag op. Het eerste dient om de wond af te sluiten
en het tweede om het bloeden tegen te gaan. Beide middelen zijn
intusschen zeer gevaarlijk en veroorzaken niet zelden
bloedvergiftiging. Op het platteland van Walcheren gebruikte men bij
eene verwonding een linnen doekje, doortrokken met sla-olie,
waarin men een paar maanden vroeger veenmollen geworpen had
om die er in te laten aftrekken. En als men zoo iets nu nog in onze
eeuw ziet doen, dan is het immers niet te verwonderen, dat in het
midden der zeventiende eeuw, zelfs Scheepskapiteins geheime
geneeskundige krachten aan sommige dingen toeschreven?
Tot de matrozen, die Meester Pruymius vergezelden, behoorden ook
Garrit, Dirk, Hoepel en Kreeft. Dolf zat aan het roer en onze goede
scheepsbarbier zat voor in de boot tusschen een twintig groote
stoopskruiken[25].
„Wel, Meester,” dus begon Dolf lachend, „als ge al die kruiken vol
hebt, dan kunt ge wel twintig vloten bedienen.”
„Beter te veel dan te weinig, Stuurman,” gaf Meester Troost ten
antwoord. „Ik weet ook niet hoeveel ik moet gebruiken. Dat zal de
ondervinding mij nog moeten leeren.”
„In alle gevallen, Meester, ik hoop dat ge met uw wonderwater van
mijn lijf zult blijven, hoewel ik er geen oogenblik aan twijfel of we
zullen eene harde noot te kraken hebben. Ik denk zoo, dat er bloed
genoeg vloeien zal.”
„Meer dan roode wijn, Stuurman,” zeide Meester Troost der Armen
met een’ diepen zucht; want hoewel op zee voor geen klein
geruchtje vervaard, had hij, zooals men dat noemt, aan vechten toch
een broertje dood.
„Je zucht alsof de Makassaren allen amok-makers waren,” zeide
Garrit, en onwillekeurig dacht hij aan die geschiedenis te Batavia,
waar hij met Meester Pruymius hard aan den haal gegaan was en
waarbij Dirk, zonder den Keulschen pot, zeker het mannetje van de
rekening zou geworden zijn.
„Als we geene Keulsche potten genoeg hebben, dan kunnen we het
met stoopskruiken probeeren,” zeide Dirk, en op dat oogenblik
werden de riemen ingehaald en stapte men aan wal, waar de
kruiken voorzichtig neergezet werden.
Dolf, Kreeft en Garrit bleven gewapend bij de boot; want hoewel de
arme inwoners nog geen enkel teeken van vijandigheid gegeven
hadden, deed men toch goed dien lieden niet al te veel vertrouwen
te schenken. Dirk en Hoepel, óók gewapend, zouden den barbier
vergezellen. Maar hoe twintig volle stoopskruiken van de bron bij de
boot te krijgen, waar men met de twintig ledige al geen’ weg wist?
„Misschien dat de mannen van het eiland je wel helpen willen,” zeide
Dolf. „In alle gevallen hebt ge toch iemand noodig, die u den weg
wijst!”
„Dat is waar ook,” zei Meester Pruymius en een’ half naakten
eilander terzijde tredend, zei hij tot dezen: „Bawa gindi-gindi
soemoer panas ajer!”
„Wat zeg je toch?” vroeg Dolf, toen hij zag dat de Serbietter hem
niet verstond.
„Wel, ik zeide in goed Maleisch: Draag de kruiken naar den put met
warm water!”
„Ik geloof dat je al even goed Maleisch spreekt, als ik, maat, en ik
spreek het als een Zeeuwsche boer. Wacht maar, ik zal wel zeggen,
wat we willen.”
Dolf ging hierop naar den Serbietter en klopte hem op den schouder.
De man zag om en Dolf wenkte hem naar den waterkant te volgen.
Hierop stak hij de handen in het water en schudde van neen. Daarop
stak hij andermaal de handen in het water, doch trok ze er schielijk
uit en deed, alsof hij zich gebrand had. Toen knikte hij van ja en
wees op de kruiken en in de richting waarin die bron moest liggen.
De Serbietter scheen hem te begrijpen, doch op de kruiken, wijzend
en deze tellend, stak hij tweemaal beide handen op en schudde het
hoofd.
Dolf wees toen op hem en stak vijf vingers op.
De Serbietter scheen zoo dom niet te zijn, als hij er uit zag, want hij
liep naar de naaste huizen en kwam weldra met nog drie man terug.
De man stak, ten bewijze dat hij Dolf goed begrepen had, ook de
handen in het water, trok een afschuwelijk leelijk gezicht en
schreeuwde allerakeligst: „Au! Au!” Daarop wees hij naar de kruiken
en vervolgens naar het bosch, dat achter Lamahal lag.
Dolf knikte hem toe en toen staken de vier mannen een’ langen stok
door de ooren van de tien kruiken en daarna een’ anderen stok door
de ooren der overige tien. De uiteinden der stokken werden op de
schouders gelegd en daarop zett’en ze het op zoo’n aardig
sukkeldrafje, dat Meester Pruymius, Dirk en Hoepel genoodzaakt
waren mede te draven.
Schuddend van het lachen zagen de achterblijvers de dravende
zeven mannen na.
In het begin ging de tocht vrij voorspoedig, doch het duurde niet
lang of ze kwamen op een’ steenachtigen bodem waar het loopen
minder goed ging voor onze drie Hollanders, die lage
zeemansschoenen aan hadden. Op het schip zijn die voor alle
bewegingen zeer gemakkelijk, doch om er mede langs scherp
gepunte steenen te loopen, zijn de zolen wel wat dun. De Serbietters
liepen blootsvoets en stonden daardoor veel vaster. Nog nimmer
hadden ze kousen of schoenen aan de voeten gehad en daardoor
was de huid onder de voeten harder geworden dan het beste
gelooide leder van paarden en ossen. De voeten zelve waren ook
veel beter gevormd dan die der Europeanen, die al te dikwijls
misvormd waren door het dragen van schoeisel, dat veel te nauw
was, omdat breede voeten zoo leelijk stonden. Men gelooft dat,
jammer genoeg, nog al te veel, en duizenden beschaafde
Europeanen loopen met misvormde voeten. Ten laatste werd
Meester Pruymius zóó moede, dat hij bijna niet meer voort kon.
Maar hoe het dien wilden aan het verstand te brengen, dat ze zoo
hard niet loopen moesten? Hij zag daartoe geen’ kans, en nadat hij
te vergeefs alle pogingen aangewend had om hen langzamer te
laten loopen, dacht hij ten laatste: „Die luî verstaan me toch niet; ik
zal hen maar laten begaan.”
Ongemerkt kwamen de vier Serbietters daardoor een heel eind
vooruit en het duurde niet lang of, bij eene kromming van het ruwe
pad, waren ze uit het gezicht verdwenen en toen de drie Hollanders
bij dezelfde kromming aangekomen waren, zagen ze, dat het pad
zich in drieën splitste.
„Welk pad, Meester?” vroeg Dirk.
„Links, rechts of rechtuit?” vroeg Hoepel.
Meester Pruymius stampvoette van kwaadheid en zeide: „Die vier
schelmen zijn met onze kruiken op den loop. Er zit niets anders op
dan terug te keeren.”
„Maar eer we dat heele eind nu alweer terugloopen, wil ik eerst toch
wel eens even uitblazen,” zeide Hoepel en zette zich op een’
omgevallen, hollen boom neder.
De andere twee meenden juist dat voorbeeld te volgen toen Hoepel
opeens van den boom sprong en op de vlucht ging, achtervolgd door
een’ zwerm bijen op wier nest hij was gaan zitten. Ook Dirk en
Meester Pruymius gingen aan den haal en alle drie kwamen ze, met
wonden overdekt en zonder kruiken, bij de boot aan.
De bijen achtervolgden hare zoogenaamde vijanden niet verder;
want zoodra men in de boot gesprongen en van wal gestoken was,
keerden de diertjes terug. Haar instinct waarschuwde genoeg voor
de gevaren, die haar boven het water dreigden.
Zoodra ze zagen dat de bijen aftrokken, was Dolfs eerste vraag: „En
de kruiken?”
„Breng me naar de Admiraals dan vraag ik hun of ze dit eiland willen
platschieten!” schreeuwde de barbier.
Dolf en de anderen lachten.
„Lacht niet, kerels! Lacht niet! Die lummels, die dieven en afzetters,
die zakkenrollers en straatroovers, ze hebben mij bestolen, mij,
Meester Pruymius, scheepsbarbier bij de Oost-Indische Compagnie!
Bestolen voor twintig spik-splinternieuwe stoopskruiken. Naar het
Admiraalsschip, Stuurman! Naar het Admiraalsschip!”
„Ge begrijpt toch, Meester, dat ik zóó dwaas niet zijn zal,”
antwoordde Dolf. „Als gij u te beklagen hebt over de behandeling
der Serbietters, dan dient ge zulks bij onzen Kapitein te doen, en
deze zal dan wel weten of het noodig is, dat voor twintig voddige
kruiken een heel eiland verwoest moet worden. Komtaan, jongens,
rechtuit naar de „Koning van Polen”, en flink voortgeroerd ook; want
de zon gaat onder!”
De vier mannen sloegen de riemen in het water en bekommerden
zich weinig om het geraas en getier van Meester Pruymius, die als
een dolle tekeer ging.
Men was evenwel nog heel dicht onder den wal toen men van den
kant van het bosch geschreeuw vernam. Dolf keek om en zeide: „Ik
geloof zoo waar, dat ge u zonder redenen boos gemaakt hebt en dat
de vier zoogenaamde dieven ginder met hunne vracht komen
aanloopen.”
„Ja, ja, dat zijn ze! Dat zijn ze!” riep de barbier, die nu weer
uitgelaten van blijdschap was, dat hij zijne kruiken terug zou hebben
en misschien wel gevuld bovendien. Men roeide naar den wal terug
en spoedig kwamen de vier dragers, uitgeput van vermoeidheid, bij
de boot en gaven de volle kruiken over. Ze waren nog zóó warm, dat
men ze zonder doeken niet kon aanpakken. Uit dankbaarheid gaf de
barbier ieder hunner een’ tinnen lepel en hiermede waren de
mannen zóó tevreden, dat ze van pure pret begonnen te dansen,
welk voorbeeld Meester Pruymius heel graag had willen volgen, nu
hij op zulk eene goedkoope en gemakkelijke manier aan die groote
hoeveelheid wonderwater gekomen was.
„Zoudt ge,” dus begon Dolf toen ze allen met de kruiken in de boot
waren, „nu eerst dat wonderwater maar niet op jezelven toepassen,
Meester? Helpt dat middel tegen wonden, dan helpt het ook wel
tegen de bulten, die de angels der bijen u bezorgden.”
„Hoe dom daaraan niet te denken,” riep de barbier. „Zeker, ik doe het
dadelijk.”
Hij haalde nu uit een lederen kokertje, dat hij steeds bij zich droeg,
een strookje verbandlinnen, bette dat in het water, liet het boven de
kruik afkoelen en begon er toen de bulten mede te wasschen. Hij
zeide dat hij er soulaas, dat is baat, bij had en begon nu de bulten
der andere twee ook te wasschen met hetzelfde gunstige gevolg.
Geen wonder, dat de man boven de wolken van blijdschap was en
verklaarde, dat hij, als ze weer in Batavia waren, den Gouverneur-
Generaal het voorstel zou doen om eene heele scheepslading van dit
water te halen en dan te zorgen dat iedere scheepsbarbier bij elke
reis, vooral als er kans was, dat er gewonden kwamen, eene flinke
hoeveelheid mede kreeg. Naar hem moest dat wonderwater dan
heeten „Aqua Prumii”.
Na de wassching met dat water zette men zich aan de riemen en
roeide zoo snel men kon om niet door de duisternis overvallen te
worden, naar het schip terug, waar onze brave barbier, die zoo vol
zorg voor het welzijn der schepelingen was, den kostelijken voorraad
dadelijk in zijne hut borg. Ja, hij ging zelfs zoo ver, dat hij Dirk’ een
dukaat beloofde, als hij hem eens eene kleine wonde mocht maken
om dan het genoegen te hebben, de deugdzaamheid van het
wonderwater ook in dit opzicht op hem toe te passen.
Natuurlijk bedankte Dirk daarvoor, zoodat Meester Pruymius niets
overbleef dan de kruiken goed te kurken en met natte blazen te
overdekken.
Het spreekt vanzelf, dat men het op het voorschip dien avond over
de kleine gebeurtenissen van den dag had. Als er niets bijzonders
voorvalt, grijpt men dikwijls het minste aan om toch maar stof tot
praten te hebben. Al heel spoedig kregen Meester Troost der Armen,
Hoepel en Dirk van allen, op één’ na, de volle laag over hunne
lafhartigheid om voor zulke kleine diertjes, als de bijen zijn, op den
loop te gaan. Ja, Kreeft ging zoover met te zeggen: „Hij is geen knip
voor den neus waard, die dat doet. Wat zeg gij, Ouwe Joost?”
Joost, die tot nu maar altijd gezwegen had, keek even op en vroeg
zoo leuk mogelijk: „Wel?”
„Ik zeg dat ieder, die voor bijen aan den haal gaat, geen’ knip voor
den neus waard is,” hernam Kreeft. „En nu vraag ik jou of ik gelijk
heb of niet!”
„En als je dan niet eens gelijk hebt, ben jij dan wèl een’ knip voor
den neus waard?”
Kreeft keek den ouden zeerob eens aan en zei toen lachend:
„Als Ouwe Joost mij één’ flink man weet aan te wijzen, die voor
bijen of andere dergelijke diertjes op den loop ging, dan zal ik de
eerste zijn, die een Makassaar, man tegen man, te woord staat.”
„Aangenomen! Aangenomen!” klonk het thans van verscheidene
kanten. „En als Ouwe Joost het niet kan, dan zal hij de man zijn, die
dat het eerst doet.”
„Jelui praat als een hoop gekken,” hervatte Joost. „Wie het eerst een
Makassaar man tegen man te woord zal staan, hangt niet van ons,
maar in de eerste plaats van de Bevelhebbers der vloot en dan van
onzen Kapitein af. Maar, evengoed, alsof het eene weddenschap
gold, zal ik jelui man en paard noemen. Wie uwer heeft nooit
gehoord van Willem IJsbrantsz. Bontekoe?”
Willem IJsbrantsz. Bontekoe, wie zou van dien man nooit gehoord
hebben? Was er een matroos, die lezen kon, dan had hij „Journaal
ofte Gedenkweerdige Beschrijvinge van de Oost-Indische Reyse van
Willem IJsbrantsz. Bontekoe van Hoorn”, gelezen, ja, de lotgevallen
van dien man waren reeds zóó algemeen bekend dat de uitdrukking:
„Een reisje van Bontekoe”, als men eene ongelukkige reis gemaakt
had, terstond door ieder begrepen was. Dat boekje was onder het
scheepsvolk hetzelfde, wat later Robinson Crusoe voor de jongens
werd. Het werd gelezen en nog eens gelezen. Maar, men las toen
ook al, zooals velen nu nog doen, zóó dat men vergat, wat men
gelezen had. Eene vertelling, vooral als Oude Joost die deed, bleef
veel vaster in het geheugen.
Het algemeene geroep was dus: „Ja, ja, Bontekoe kennen we!”
terwijl enkele lezers van dat boek er zelfs bijvoegden: „Maar die ging
toch niet voor bijen op den loop?”
„Neen, niet voor bijen,” zeide Joost, „maar toen onze ongeluks-vogel
van een’ Kapitein eindelijk op de thuisreis was, landde hij op het
eiland Madagascar. Hij en zijn volk werden door de inwoners zeer
vriendelijk ontvangen, doch op Bontekoe’s vraag, of ze ook rijst te
koop hadden, liet de Koning antwoorden, dat ze geen rijst konden
missen, omdat de heele oogst door de sprinkhanen zoo goed als
vernietigd was.”
Garrit en Dirk lachten, en de laatste zei: „Och kom, sprinkhanen!
Hoe zouden die kleine beestjes den heelen oogst kunnen
vernietigen? Dat is toch immers niet waar?”
„Jelui kent geene andere dan die kleine, grauwe sprinkhaantjes, die
bij ons te lande door het gras hippen. Dat zijn geene sprinkhanen en
die onschuldige, vlugge diertjes doen zooveel kwaad niet. Maar de
echte sprinkhanen, wel een’ mansduim lang en bijna even dik, wij
noemden ze thuis „koolhazen”, dat zijn wat schadelijke beesten. Die
aan de Kaap en in heel Zuid-Afrika zijn nog grooter en komen soms
bij duizenden en nog eens duizenden aanvliegen. Dan kan het op
klaarlichten dag zoo donker worden, als midden in den nacht. Waar
die dieren neerstrijken, daar wordt, al wat blad of gras is, kaal
gegeten. En voor zulk een’ zwerm sprinkhanen ging dezelfde
Bontekoe, die voor de grootste gevaren niet terug gedeinsd was, op
de vlucht. Ze vlogen hem op het lijf, zoo schrijft hij zelf, zoo dik, dat
hij geen’ adem halen kon. Toen hij eindelijk bij den Koning van dat
land kwam, die hem voor zijne hut zat af te wachten, begon de
Koning hartelijk te lachen en een’ sprinkhaan vangende, at hij hem
levend op!”
„Bah! Wat een kost!” klonk het van verscheidene kanten.
„Maar Ouwe Joost heeft het verloren ook,” riep Kreeft. „Ik heb
gezegd „bijen of andere dergelijke diertjes”; en wie heeft nu ooit
bijen gezien zoo groot als heele mansduimen?”
„Zoo, Kreeftje,” sprak Joost, „zoo; maar ik heb liever met tien
sprinkhanen dan met ééne bij te doen. Eene bij kan venijnig steken,
en een sprinkhaan is zoo goed als weerloos. Maar, het komt er niet
op aan, hoor! Als ge meent, dat ik het verloren heb, dan neem ik
van ganscher harte, en altijd met goedvinden van den Kapitein, den
eersten Makassaar, man tegen man, voor mijne rekening.”
„Als ge dat meent, dan zult ge al heel spoedig aan den slag kunnen
gaan, want we gaan er nu rechtstreeks heen. Op het Admiraalsschip
wordt het sein van vertrek gegeven! Komtaan, jongens aan den
slag!” Dus sprak Henri Quatre, die het gezelschap ongemerkt
genaderd was en het laatste gedeelte van het gesprek verstaan had.
Spoedig waren de ankers gelicht en onder een’ heerlijken
sterrenhemel en een’ goeden wind werd de tocht aangevangen.
Zoodra alles op orde was en dat deel van het scheeps-volk, hetwelk
geene wacht had, ter kooi zou gaan, zei Joost: „Hoor eens, mannen!
Het is wellicht de laatste maal, dat we allen zoo rustig bij elkander
zijn. Wat de dagen, die komen, geven zullen, de Heere weet het; wij
weten het niet. Laten we daarom te zamen nog eens een stichtelijk
lied zingen.”
„Dat is goed, Joost,” zei Kreeft, „maar je haalt je toch geene
muizenissen in het hoofd?”
„Muizenissen, neen, dat niet, maar als men tegen een volkje als de
Makassaren optrekt, dan weet men wel, dat men er heengaat, doch
het wederkeeren is eene groote vraag. Ik verzeker je, het zal er
geducht spannen! En daarom jongens, komtaan, het tiende vers van
den achtenzestigsten psalm!”
Hij zette zelf dadelijk in en niet één onder de mannen was er, of hij
zong niet mede.
Het was een aangrijpend schoon gezicht daar al die ruwe mannen
zoo in ernst te hooren zingen, en nog plechtiger werd het, toen van
de dicht bij zijnde schepen hetzelfde lied door velen mede gezongen
werd. De Amboinneezen wisten niet hoe zij het hadden. Alleen het
Opperhoofd mompelde angstig: „Tampik soerak!”[26]
Kapitein Londenaar hoorde dat, en zeide hem dat dit der Christenen
avond-gebed was. Dit stelde den man wat gerust en deed hem ook
met meer aandacht naar de voortzetting van het lied luisteren.
Onder den indruk van dit lied begaven de meesten zich ter ruste,
doch Dolf, die niet mede gezongen had, omdat hij, daar hij Roomsch
was, dezen psalm, of althans die wijs niet kende, zeide tot Henri: „Ik
had niet gedacht, dat er onder die ruwe kerels nog zooveel vrome
zielen gevonden werden.”
„Wat zal ik zeggen, mijn vriend,” antwoordde Henri. „Zeevolk,
vreemd volk!”
 TIENDE HOOFDSTUK.
Eene Joffer om een’ Barbier.
De vloot, vier en dertig zeilen sterk, vertrok den achtentwintigsten
Mei van de eilandjes, die het Koninkrijkje Solor vormden, en zette
koers naar het Noordwesten. De tocht moest evenwel met alle
omzichtigheid plaats hebben, want in de nabijheid dezer eilanden
zijn zeer veel blinde klippen, en het was er in dien tijd nog verre af,
dat zelfs geleerde vreemdelingen onze zeekaarten prijzen konden.
De meeste schippers zeilden met geteekende kaarten en moesten
die aan het einde der reis weder terug geven. Men liet ze niet
drukken uit vrees, dat andere volkeren dan ook van deze kaarten
zouden gebruik maken en gemakkelijk in onze Koloniën komen.[27]
De vloot kwam echter gelukkig buiten de gevaarlijke zeeëngte en
door een’ voorspoedigen wind geholpen, had men weldra het
Saleyer-eiland, of zooals het nu op de kaarten heet, Silajara, ten
Zuiden van Celebes, en niet zoo heel ver van het Rijk van Makassar,
bereikt.
Er woei een flinke doorstaande oostenwind, zoodat de vaart vrij snel
ging. Vrij snel echter en ook niet meer. Bij de heele vloot was slechts
één schip, dat niets anders was dan een oorlogsschip. Het was de
„Mars” en de Bevelhebber van Dam was hier aanboord. De andere
schepen waren niet veel anders dan Oostindie-vaarders, die als
oorlogsschepen moesten dienst doen. Dat kon ook wel, want de
onveiligheid niet alleen in de Indische wateren, maar ook door onze
voortdurende oorlogen met Spanje, Portugal, Engeland, Zweden en
Denemarken, op den Atlantischen Oceaan en in de Europeesche
wateren, was zóó groot, dat elke Oostindie-vaarder zeer veel volk
aanboord medenam, en ook zorgde kanonnen, geweren, kogels en
kruit te hebben om zich te kunnen verdedigen, als men aangevallen
werd. Zulk een Oostindie-vaarder was dus meestal heel wat mans,
maar toch had hij veel tegen. Men had die schepen gewoonlijk al te
zeer gebouwd met het oog op eene groote laadruimte, en daardoor
hadden ze inplaats van een’ ranken, een’ loggen vorm. Zóó scherp
bij den wind zeilen, dat de boeg het water, als het ware sneed, was
niet mogelijk. De boeg was er veel te breed voor en moest dus het
water wegduwen, waardoor zeer veel kracht van den wind verloren
ging. Dezelfde logge vorm was ook oorzaak, dat het schip zich niet
gemakkelijk wenden kon; het was traag in elke beweging en dat was
in een zeegevecht of bij een’ aanval op kust-sterkten niet weinig in
het nadeel.
Niettegenstaande de wind goed was en flink doorstond, had men
aanboord tijd genoeg om alles, wat men zag, goed op te nemen.
Vooral had het volk er veel schik in, dat er nu en dan een vliegende
visch zich zien liet, en enkele malen was het ook gelukt er een te
vangen.
Terwijl Dirk en Garrit zoo naar vliegende visschen stonden uit te
kijken, riep Garrit opeens en wees naar eene plek niet verre van
hem af: „Kijk eens, Dirk, wat al visschen! Gauw, roep Ouwe Joost
eens, dan kan die ons zeggen, welke visschen dat zijn.”
„Laat Ouwe Joost maar bij zijn werk,” zeide de barbier, die daar in de
nabijheid was, „dat kan ik ook wel zeggen. Dat zijn tonynen en
boniten! Die visschen schijnen van gezelligheid te houden, want
even als de haringen zwemmen ze in groote scholen. Of ze onder
mekaêr wel eens ruzie hebben, dat zou ik niet kunnen zeggen, maar
dat ze wel eens krijgertje met mekaêr spelen, dat zie je, want een
heel troepje springt zoo nu en dan boven het water uit.”
„Maar wat is dat toch, Meester?” vroeg Dirk en hij wees op eenigen
afstand naar een paar dingen, die boven het water uitstaken en
voortdreven. „Het gelijken wel plankjes op den kant.”
„Rare plankjes, jongen,” antwoordde de barbier lachend, „je zoudt er
niet heel veel van timmeren, als je er bij waart.”
„Wat zijn het dan?”
„Dat zijn de rugvinnen van haaien, mijn jongen! Boven water zie je
hun lijf maar zelden, doch ze komen toch zóó dicht bij de
oppervlakte, dat de scherpe rugvin er boven uitsteekt. Er is daar een
aardig troepje van die vreeselijke dieren bij mekaêr. Ze hopen zeker
op een’ storm, die een schip doet vergaan, dan hebben ze alweer
wat te eten.”
„En dat daar, Meester,” riep Garrit, die nu weer in eene andere
richting wees, „dat is net als eene fontein!”
„Eene fontein is het toch niet, vriendje! Het is een walvisch!”
„Och kom, Meester, de walvisschen leven immers in de Noordelijke
zeeën,” merkte Garrit aan. „Je moet ons niet wat wijs maken!”
„Ik maak je niets wijs, Garrit! Het zijn werkelijk walvisschen, en wie
je verteld heeft, dat die dieren alleen in de Noordelijke zeeën leven,
die weet er niets van. Ze leven in de Zuidelijke zeeën ook en in heele
scholen trekken ze soms den Atlantischen of den Stillen Oceaan
door, om uit de Noordelijke in de Zuidelijke IJszee te komen. Op dien
tocht maken ze bitter weinig haast en inplaats van rechtuit, rechtaan
te zwemmen, doen ze precies als de honden op de straat, en zijn nu
hier dan daar. Hier in de Moluksche zeeën komen ze veel voor, en
het is eene bijzondere soort, bekend onder den naam van
potvisschen.”
Het fluitje van den bootsman, dat nu op het oogenblik klonk, maakte
aan het gesprek een einde, want alle man werd het want ingestuurd
om zoo vlug, als het maar kon, alle razeilen te bergen. Men zag dat
op al de andere schepen ook doen en nauwelijks nog waren al die
zeilen in de lijken geslagen, of de vloot werd overvallen door een’
hevigen noordoostenwind.
„Hoe vreemd is dat nu,” zeide Dolf tot Kapitein Londenaar.
„Niet zoo heel vreemd, mijn vriend! Dat gebeurt in de Moluksche
zeeën maar al te vaak. Op zijne tellen passen is hier zaak.”
„Hoe komt dat zoo?”
„Ja, men vermoedt dat dit de oorzaak is. In de binnenlanden van het
Makassaarsche Rijk moeten hooge gebergten zijn. Op die bergen nu
heeft eene sterke warmte-uitstraling plaats, die eene verkoeling
teweeg brengt op de lucht, die op deze bergen rust. Die afgekoelde
lucht nu wordt zwaarder dan de onderste, die warm is en daalt snel
naar beneden. Gij zijt geleerder dan ik en zult dus wel weten, dat
wind niets anders is dan eene verplaatsing van warme en koude
lucht. Doch stil, ik word aanboord van de „Mars” geseind. Er zal
zeker algemeene scheepsraad gehouden moeten worden.”
Henri Quatre werd nu gelast eene boot neer te laten en die te
bemannen, waarna hij Kapitein Londenaar naar het zoogenaamde
Admiraalsschip bracht, waar weldra de heele krijgsraad vergaderd
was. In het eerst ging het er in dien raad niet zeer ordelijk toe, wat
misschien wel een gevolg mocht heeten van den onverstandigen
maatregel, dien men genomen had om twee personen, beiden met
hetzelfde gezag bekleed, aan het hoofd der scheepsmacht te
plaatsen. Gelukkig waren van Dam en Truytman nog al inschikkelijk
ten opzichte van elkander, en duurde het niet lang of de
beraadslagingen geschiedden in orde, en de besluiten werden
zonder veel geharrewar geregeld genomen.
Nadat men alzoo het plan voor den aanval op de stad, de
versterking van Makassar en de Portugeesche vloot ontworpen had,
werd er ten slotte nog besloten, dat de beide Admiraals met de
schepen de „Breukelen” en de „Mars” vooruit zouden stevenen om te
trachten den Koning van Makassar met vriendelijke woorden over te
halen voortaan der Compagnie terwille te zijn.
„Dan weet ik toch wel, wat het einde van het lied zal zijn,” sprak
Kapitein Londenaar.
„Wat dan, Kapitein?” vroeg Admiraal Truytman.
„Wel, als ze dan de heele vloot daarginder ook in het gezicht krijgen,
dan laat de Koning u bij zich aan het Hof roepen; hij overlaadt u met
geschenken, bewijst allerlei beleefdheden en doet duizend beloften,
de eene al fraaier dan de andere. Hij, die complotten smeedt met
den Soesoehoenan van Java om al de Nederlanders uit den heelen
Archipel te verdrijven, is een slimme vogel, die meer met list dan
met krijgsgeweld gedaan krijgt.”
„Wij weten, Kapitein,” dus begon nu Johan van Dam, „dat die Sultan
of Koning van Makasser dat verraderlijk plan koestert en er zelfs heel
veel verwachting van heeft. Was den Gouverneur-Generaal dat plan
niet bekend geworden, dan zouden wij hier niet met zulk eene
groote vloot zijn om dat rumoerige en valsche heerschap eens goed
op zijn nummer te zetten. U begrijpt dus wel, dat wij ons door hem
geene knollen voor citroenen in de handen zullen laten stoppen.
Bovendien, als Landvoogd van Amboina, waar ik lang genoeg
geweest ben, geloof ik, dat ik meer gelegenheid had om achter de
schermen te kijken, dan een zeeman, die hier tamelijk vreemd in
deze streken is.”
Niet uit het veld geslagen door den hoogen toon, dien van Dam
aansloeg, zeide nu IJzeren Neptunus kalm: „Heer van Dam houde
het mij ten goede, dat ik nog eens het woord neem. Ik verdenk u
niet van domheid, maar ik meen zoo, dat de knapste kop van de
wereld niet instaat zou zijn om uit te maken of het „ja” van den
Koning gemeend of niet gemeend is, als hij dat woord uitspreekt in
het gezicht van eene vloot van vierendertig schepen.”
„Hierin moet ik Kapitein Londenaar gelijk geven,” zeide een der
andere Scheepskapiteins.
„En wat zoudt gij dan meenen, dat er gedaan moet worden, Kapitein
Londenaar?” vroeg Admiraal Truytman, die wel een weinig korzelig
was, dat een der beste Scheepskapiteins zoo uit de hoogte
neergezet was geworden. „Ik hecht heel veel waarde aan uw’ raad,
want ik weet, dat gij een praktisch en moedig man zijt. Wij kennen
den IJzeren Neptunus.”
„Als ik een’ raad geven mag, dan zal het deze zijn: Heer Johan van
Dam als Landvoogd van Amboina, en Heer Truytman als Admiraal
der Oost-Indische Compagnie zeilen vooruit met twee of drie
schepen, en....”
„Is het dan Kapitein Londenaar in het hoofd geslagen?” riep een
jong Kapitein uit, die de Gezagvoerder van de fluit „Edam” was. „Dat
is immers al aangenomen? Ik dacht niet dat de gewezen Stuurman
van de „Leerdam” aan het suffen was. Het blijkt evenwel dat dit toch
het geval is, anders zou hij niet zoo onbeholpen uit den hoek
komen.”
IJzeren Neptunus keek den jongen man aan en zeide zoo bedaard
mogelijk: „Zoolang de Kapitein van de fluit „Edam” zich nog op de
zeekaarten den weg moet laten wijzen door zijn’ Tweeden Stuurman,
zoolang moest dezelfde Kapitein in een’ krijgsraad het niet wagen
om een’ gewezen Eersten Stuurman op hoogen toon de les te lezen,
en moest hij tenminste zooveel weten, dat hij het woord niet neemt
vóór een ander uitgesproken is.” Hierop wendde Kapitein Londenaar
zich tot de twee Bevelhebbers en zeide: „En als u dan met uwe
schepen vooruitzeilt, dan kiezen wij zee, om uit het gezicht van den
vijand te zijn.”
„En zorgen vooraf dat er nu al geene verklikkers vooruitgaan om den
Koning te vertellen, dat we hem foppen,” zei Truytman en wees door
een raam van de kajuit, waarin de raad gehouden werd, naar buiten.
„Dat zijn twee Chineesche jonken! Zij hebben ons gezien en houden
nu met alle macht van de vloot af. Wij moeten jacht maken op die
schelmen,” sprak van Dam.
„Dat wordt al gedaan, zie ik,” zeide de Kapitein van de „Breukelen”
en wees op eenige zeilbooten, die de zware jonken met vlugheid
nazaten.
„Het is de vraag of men ze nog krijgen zal,” meende van Dam. „De
Chineezen zijn wakker zoowel op het land als op het water.”
„In alle gevallen wordt op het oogenblik het beste gedaan, wat er
gedaan kan worden,” zeide Truytman. „Halen de onzen de jonken in,
dan zullen ze die schelmsche Chineezen wel meevoeren. Halen zij ze
niet in, welnu, dan in vredesnaam. Maar om op het voorstel van
Kapitein Londenaar terug te komen, mij dunkt, dat is zoo kwaad niet
bedacht.”
„Zoo kan alleen een held als Admiraal Truytman spreken,” zeide nu
de jonge Kapitein van de „Edam” met vleiende stem. „Maar ik ben er
tegen, en ik zal duidelijk maken waarom. Terwijl wij in zee zijn, slaan
ze u en al de onzen dood en maken de schepen prijs.”
„U schijnt al heel weinig ondervinding te hebben van Makassaarsche
zaken, Kapitein,” antwoordde Truytman, die een veel te flink zeeman
was om het niet onaangenaam te vinden, dat dit jonge kereltje, die
door gunst van een’ der Heeren Bewindhebbers Kapitein van eene
fluit geworden was op een’ leeftijd, dat een ander nauwelijks voor
derden stuurman vaart kon krijgen, nu hier in den krijgsraad eene
borst zette, alsof hij wijsheid en moed in pacht had. En daarom
vervolgde hij snijdend scherp, ja, beleedigend: „U voegt het in deze
zaak alleen te hooren en dan te doen, wat er besloten is, want raad
geven kunt gij niet, daar ge nog nimmer in deze streken geweest
zijt. Het is volkomen waar, wat Kapitein Londenaar zeide, dat de
Koning van Makassar een uitgeslapen slimmerd is, die de huik heel
aardig naar den wind weet te hangen. Hij weet zeer goed dat de tijd
voor hem nog niet gekomen is om handelend tegen de Compagnie
op te treden, en dat hij, door ons aan te vallen, zijn heele plan in
duigen werpen zou. Wat u dus daar zegt, dat hij die twee schepen
nemen en de onzen dooden zal, raakt kant noch wal. Zijne heele
kracht en al zijne macht zitten in zijne slimheid. Ik weet zeker dat er
voor ons geen gevaar bestaat. Ja, al toonden wij terstond onze
tanden en gingen gewapenderhand te werk, dan nog zou er voor
ons leven in de eerste dagen geen gevaar bestaan. Ik stel dus voor
dat wij, Heer Johan van Dam, als Landvoogd van Amboina, en ik, als
Admiraal der Compagnie, met de „Mars” en de „Breukelen”
vooruitzeilen om te beproeven, wat we gedaan kunnen krijgen. De
andere tweeëndertig zeilen kiezen zee, doch zorgen over twee
dagen, geheel slagvaardig bij het eiland Tanah-kéké[28] te liggen.
Wij komen dan zelven daar bericht van ons wedervaren brengen, of
sturen eene boodschap. Wie heeft hierin nog wat te zeggen?”
Niemand antwoordde.
„Welnu,” sprak toen Heer van Dam, „wij zullen het dan als eene
aangenomen zaak beschouwen. Maar nu kom ik ook nog met een
verzoek. De „Mars” waarop onze Admiraals-vlag waait, is een
oorlogs-jacht en wél bewapend, dat is zoo. Ik zal het niet
tegenspreken. Maar ik wilde toch, ziet ge, ik wilde....”
Heer van Dam viel in eene gemaakte hoestbui en al de anderen
zagen elkander lachend aan.
„Als u soms meent dat twee schepen toch te weinig zijn, Heer van
Dam, dan kunnen we nog altijd ons besluit intrekken en een ander
nemen,” sprak nu Truytman, die meende dat van Dam twee schepen
toch wel wat weinig vond, maar aarzelde om dat te zeggen, omdat
men dan mogelijk aan zijn’ moed zou twijfelen.
Dat woord scheen te helpen.
„U verstaat mij verkeerd, of liever, ge legt mijn stotteren verkeerd
uit, Admiraal!” zeide nu van Dam. „Zie, ik ben wel lang op Amboina
en heel lang uit Nederland geweest, maar de warmte van de
Indische zon heeft er daarom den Hollandschen moed nog niet
uitgebraden, en ik beloof u dat ik, als we van leer trekken, toonen
zal dat van Dam wel groote woorden spreekt, maar ook groote
daden verricht.”
Truytman bloosde en antwoordde verlegen: „Ik verdenk u niet van
lafhartigheid, goede vriend! Maar uwe zonderlinge rede deed me
denken, dat er iets in het besluit tegen uw’ zin was. Ik bid u daarom,
als ge wat op het gemoed hebt, dat ge dan vrij spreekt, en wat ge
ook voorstellen moogt, niet één onzer zal u ook maar een enkel
oogenblik van lafhartigheid verdenken. Ik bidde u, spreekt dus.”
„Welnu, ik ben begonnen met A te zeggen, ik zal voortgaan tot Z.
Eenigen tijd geleden is Heer Simon Cos, Landvoogd van Ternate
gestorven.”
„Dat weet ik,” zeide Truytman. „Hij stierf te midden van het hoogste
geluk; want hij was nog jong en pas geleden gehuwd met het liefste
en mooiste vrouwtje, dat ik ooit gekend heb. Het leven is als eene
bloeme des velds overal, maar hier in de Oost met die verraderlijke
ingewandsziekten en dikwerf ook nog vele andere, is dat nog veel
meer het geval. Heer Simon Cos was al heel schielijk uit zijn’ tijd.
Maar Heer van Dam houde het mij ten goede, dat ik hem eerlijk
verklaar, dat ik niet weet, wat de schoone weduwe Cos met de
Makassaarsche zaken te maken heeft.”
„U zal dat weten, Admiraal, en de andere Heeren zullen het nu ook
weten,” zeide van Dam, „want eigenlijk valt de zaak toch moeielijk
om nog langer geheim gehouden te worden. De jonge weduwe van
vriend Cos kwam op Amboina aan, Heeren! Ik leerde haar daar
kennen, en ....”
Hier hield hij weer een oogenblik op, alsof hij verlegen was met de
zaak voort te gaan.
„U maakt ons nieuwsgierig, Heer Landvoogd,” sprak een Kapitein.
„Hoe is het verder met haar gegaan?”
„Het kwam ten laatste zoover, dat wij elkander trouw beloofden.
Maar zoo lang ik nog Landvoogd van Amboina ben en zoo dag aan
dag in allerlei zaken zit, kan ik aan geen huwen denken. Ik heb
daarom met haar goedvinden besloten haar naar Batavia te zenden.
De Gouverneur-Generaal is, zooals ge weet, een mijner beste
vrienden, en ik stel haar onder zijne bescherming tot mijn diensttijd
als Landvoogd verstreken is. Dan ga ik ook naar Batavia en huw
haar!”
„Goede vriend,” zeide Truytman en stak van Dam de hand toe, „wees
dan langer jaren gelukkig met haar dan de arme Simon Cos was.
Maar u moet het mij niet euvel duiden, dat ik nog niet inzie, wat
deze zaak met ons besluit te maken heeft. Wees zoo goed en leg dat
eens uit.”
„Dat zal ik,” vervolgde van Dam. „Deze weduwe is hier op de „Mars”
aanboord en zij bewoont de hut, die anders voor mij bestemd was
geweest.”
„Ha, nu begrijp ik waarom gij u met de ellendigste hut van de „Mars”
tevreden steldet!” zeide Admiraal Truytman. „Ik wist waarlijk niet dat
de „Mars” zulk eene eêle lading in had. Nu zou u zeker voor de
„Mars” liever een ander schip nemen, om haar buiten alle mogelijke
gevaren te houden en de „Mars” dadelijk naar Batavia willen
zenden!”
„Gij raadt het niet, Admiraal,” hernam van Dam. „Neen, de „Mars” is,
als het er op aankomt, het eenige schip, dat geheel ten oorlog
uitgerust is. Wij kunnen het niet missen. Maar als wij nu te Makassar
aankomen, wij, de „Mars” en de „Breukelen”, en het gaat eens niet
naar wensch, alles kan gebeuren, welnu, dan moeten we kunnen
toonen, dat we bijten durven. Die vrouw nu zou ons misschien in
onze bewegingen belemmeren. En daarom heb ik nog dit voorstel te
doen. De weduwe van den Heer Cos gaat nu over aanboord van een
der andere schepen en blijft daar, ook als het later tot een gevecht
komt. Bij den hoofdaanval met vierendertig zeilen zal zij ons niet in
den weg zijn; zij is eene Hollandsche vrouw. Maar waar we het er op
wagen, met twee schepen op slimme manier ons doel te bereiken,
daar kon het toch wel eens gebeuren, dat de overmacht ons te groot
werd. Zónder die vrouw zou ik kunnen zeggen: „Liever de lucht in
dan gevangen!” Of ik het ook zeggen zou mét die vrouw aanboord,
dat durf ik niet verzekeren.”
„Heer van Dam, laat de schoone weduwe aanboord van de „Edam”
komen en ik zal haar tegen tienduizend vijanden beschermen,” riep
de jonge Kapitein en zette bij voorbaat een gezicht, alsof er
tenminste al vijfduizend vijanden voor hem op den loop gegaan
waren. „Ik ben van oud-adellijke afkomst, en een mijner
Stamvaders, die onder Hertog Godfried van Bouillon den Eersten
Kruistocht mede maakte en na den dapperen Hertog het eerst op de
muren van Jeruzalem stond, had tot wapenspreuk: „Trouw aan de
vrouwen en het zwaard!” Hij sloeg met de vlakke hand tegen de
borst en riep nu, bijna kraaiend van dapperheid: „En ik, zijn nazaat,
heb dezelfde spreuk.”
„Zoo iets heb ik precies bij ons te Amsterdam in den schouwburg
hooren zeggen,” zeide een oud Scheepskapitein zoo leuk voor zijn’
neus weg. „Ze gaven den Gijsbreght van Aemstel, en de Ridder, die
voor van Egmond speelde, zag er uit, alsof hij de heele wereld
aandurfde en zeide ook, dat kwam zoo in het stuk te pas, weet je,
„Zoo yemant streeft na eer, ick toon hem ’t rechte pad.”

Dat was heel mooi gezegd en hij sloeg op zijn borstharnas, dat ik
dacht, dat voel je man! Maar een held ben je! Dan, den volgenden
dag langs straat slenterend, zag ik dienzelfden dapperen man op
den loop gaan voor een keffend hondje! Het was grappig!”
„Zulk een lafaard ben ik niet,” riep het jonge Kapiteintje, „en je zult
zien dat....”
„Gij voor geen honderd honden op den loop gaat? Ik mag het
lijden,” zeide de oude Kapitein zonder zich om den jongen man te
bekommeren.
„Stil, stil, geen gekibbel,” sprak nu van Dam en wendde zich tot den
jongen Kapitein met de woorden: „Vriendelijk dank voor uw aanbod,
Kapitein! Ik heb een ander op het oog. IJzeren Neptunus, mag ik
met u een ruiltje leggen?”
„Met mij een ruiltje leggen, Heer van Dam? Ik begrijp u niet,” sprak
Kapitein Londenaar verlegen.
„Ik zal het u uitleggen. Gij hebt aanboord twee gewezen studenten,
die al lichtelijk wat van de medicijn-kist weten. Onze scheepsbarbier
is onderweg gestorven, en nu vraag ik u de weduwe Joffer Cos te
ruilen tegen Meester Pruymius. Wees gij haar Ridder tot de
Makassaarsche zaken aan een’ kant zijn, tenminste tot het eerste
gedeelte ervan afgeloopen is. Dan kunnen wij opnieuw ruilen. Kunt
ge in dien voorslag treden? Mogelijk hebt ge vermoed, dat ik iets
tegen u had, doch dit is zoo niet; ik ben geen voorzichtig redenaar
en verspreek mij wel eens. Heb ik u evenwel beleedigd dan wil ik het
openlijk goedmaken, en daarom nog eens: Wilt ge Joffer Cos bij u
aanboord nemen en als Ridder terzijde staan?”
Kapitein Londenaar was een wakker man en zag dikwijls zeer diep.
Nu echter liet hij zich om den tuin leiden door van Dams rondborstig
woord en daarom zeide hij, en hij sprak zijne woorden zelfs
eenigszins zoo, dat de oude Scheepskapitein onwillekeurig alweer
aan den tooneelheld, van Egmond, dacht: „U zal Meester Pruymius
hebben, Heer van Dam en ik zal Joffer Cos beschermen. Een man,
een man; een woord een woord.”[29]
„Dat hadt ge niet gedroomd, IJzeren Neptunus, toen ge als
Stuurman met de „Leerdam” uit het Vaderland vertrokt, dat ge op de
„Koning van Polen”, hier in de wateren van Makassar, als Ridder van
eene weerlooze vrouw zoudt optreden. Het is met u gegaan naar de
lijfspreuk van onzen dichter Brederoô: „Het kan verkeeren.” Nu,
man, de Oost-Indische Compagnie heeft wel Kapiteins, die met hun
vieren niet tegen u alleen opwegen,” zeide Admiraal Truytman, en
zich hierop tot al de aanwezigen wendend, vervolgde hij: „En nu,
mannen, gijlieden weet, wat er besloten is. Ik weet niet of we
binnen een paar dagen alweer algemeenen krijgsraad zullen kunnen
beleggen. Daarom zeg ik nu, wat ik nog op het hart heb. Volbrengt
nauwkeurig de bevelen, die u van het Admiraalsschip gegeven
worden. Spreekt allen uw volk moed in en toont ten allen tijde en in
alle gevallen, dat de Oost-Indische Compagnie misschien onervaren
Scheepskapiteins kan hebben, maar lafaards niet één! Leve de Oost-
Indische Compagnie!”
Vol geestdrift werd dat geroep beantwoord en een half uurtje later
bevonden al de Kapiteins zich in hunne booten en lieten zich naar
hunne schepen brengen.
 ELFDE HOOFDSTUK.
Een slechte ruil.
De laatste, die van de „Mars” afvoer, was de boot van de „Koning
van Polen” en de daarin wachtende matrozen keken vreemd op toen
Kapitein Londenaar heel beleefd eene jonge vrouw van de
neergelaten scheepstrap in de boot bracht, en haar bij zich aan het
roer een plaatsje gaf.
Wat de matrozen elkander zoo al lachend in de ooren fluisterden,
willen we liever maar niet vertellen, te meer niet, omdat er onder de
roeiers toch geen enkele van onze oude kennissen was.
Toen Kapitein Londenaar in de nabijheid van zijn schip kwam, zag hij
dat er twee jonken naast lagen en nauwelijks was hij op het dek, of
Henri Quatre trad op hem toe en zeide: „Kapitein, terwijl u den
krijgsraad bijwoonde, zagen wij twee Chineesche jonken. Ik heb
toen op eigen houtje gehandeld en ze laten nazetten.”
„Wij hebben gezien, dat het gedaan werd,” sprak Londenaar. „En hoe
is het afgeloopen?”
„Dolf is zoo gelukkig geweest, de beide jonken in te halen en op
zijne dreiging, dat ze hem te volgen hadden, of dat ze anders door
de heele vloot in den grond zouden geschoten worden, zijn ze hem
gevolgd. Daar liggen de jonken en het volk is beneden in het ruim.
Heb ik goed gedaan?”
„Heel goed, Stuurman, heel goed! Maar op het oogenblik heb ik
andere zaken. Een paar minuten maar.”
Hij wendde zich hierop tot Joost en Kreeft en zeide: „Laat de
scheepstrap neer!”
„Goed, Kapitein,” antwoordde de oude man, maar binnensmonds
mompelde hij: „Welk een voornaam personage zullen we nu
aanboord krijgen?”
Onder aan het schip lag nog altijd de boot en daar er nog al zeeën
gingen, zoo had Joffer Cos zich het hoofd en het bovenlijf geheel
met een’ mantel bedekt. Van het dek af had men dus niet gezien,
dat er eene vrouw in de boot was.
Zoodra de scheepstrap neergelaten was, daalde Kapitein Londenaar
af en hielp Joffer Cos uit de boot op het dek. Vol verbazing zagen de
mannen haar aan en toen ook de roeiers uit de boot op het dek
waren, zeide Kapitein Londenaar: „Mannen, deze Joffer is de Bruid
van Heer van Dam, den Landvoogd van Amboina, en tegelijk een
onzer Bevelhebbers. Zij zal voor een paar dagen de gast zijn van den
Kapitein en de bemanning van de „Koning van Polen”. Ik vertrouw
dat ze een’ goeden dunk van ons zal medenemen!”
„Leve de Bruid van den Landvoogd!” riep Garrit en smeet van pure
geestdrift zijne muts zóó hoog, dat de wind haar opnam en in zee
woei.
Natuurlijk werd dit welkom door heel de bemanning herhaald. Alleen
Oude Joost schudde het hoofd en bromde: „De „Koning van Polen”
krijgt al vreemde ballast in.”
Kapitein Londenaar bracht Joffer Cos naar zijne hut en verzocht haar,
het hem niet euvel te duiden, als hij haar een oogenblik alleen liet,
daar hij zaken in orde te brengen had, die geen uitstel konden velen.
„Ga uw’ gang, Kapitein! Ik ben eene gemakkelijke gast! Maar als ge
lang wegblijft, dan mag ik, als ik mij hier begin te vervelen, mij toch
wel op het dek vertoonen?” zeide Joffer Cos met een vriendelijk
lachje, en liet daarbij twee rijen hagelwitte tanden zien, waarmede
ze wel wat scheen te willen pronken.
„Natuurlijk, Joffer! U is zoo vrij als een vogel in de lucht. Maar ik zal
zoo lang niet wegblijven,” antwoordde Londenaar en verwijderde
zich.
Zoodra hij weer op het dek gekomen was, begaf hij zich naar
Meester Pruymius, die al vast bezig was pluksel te maken en
verbanddoeken in gereedheid te brengen. Geholpen door Dirk en
Garrit zat hij voor een’ hoop linnen tusschen twee groote kisten en
een paar bamboe-manden. Hij zelf was gewapend met eene schaar
en knipte lange reepen, waaraan Dirk met zeilmakers-garen, omdat
men geen fijner bij de hand had, zoomen naaide en bandjes
vastmaakte. Uit de overgebleven stukken maakte Garrit pluksel en
hij ging hiermede zoo vlug te werk, dat hij al eene bamboe-mand tot
het randje vol had. Onder deze bezigheid werden de beide knapen
„opgevroolijkt” door de vertellingen van Meester Troost der Armen,
die eigenlijk van niets anders sprak dan van allerlei akelige
verwondingen.
Op het laatst maakte hij het evenwel zóó erg, dat Garrit uitriep:
„Meester, ik wilde wel dat ge met uw akelige vertellingen twintig
zeemijlen van me af waart!”
„Nog liever vijftig!” verbeterde Dirk.
„Uw wensch zal vervuld worden, jongens,” sprak op dit oogenblik de
Kapitein, die lachend al die verbanddoeken en die mand vol pluksel
bekeek.
Meester Troost der Armen keek verwonderd op.
„Ja, Meester! De wensch dezer jonge borsten zal letterlijk vervuld
worden. Beneden licht de boot te wachten, welke u overbrengen zal
naar het Admiraalsschip waarop de barbier gestorven is! Dolf, wilt ge
zoo goed zijn hem er heen te brengen en dan aan den Admiraal of
Heer van Dam te vragen, wat we met de Chineezen moeten
aanvangen. Deel hun dan meteen mede op welke manier gij die
twee jonken nagezet en genomen hebt, dan weten ze althans, dat
die Chineezen de nadering der Hollandsche vloot niet aan de
vijanden verraden hebben. Wij allen hadden er vrees voor.”
„Goed, Kapitein,” sprak Dolf. „Ik zal alles mededeelen, zooals het
gegaan is. En nu, ik ben klaar! Kom, Meester, mee!”
„Maar ik heb mijne medicamenten-kist hier nog niet!”
„Er is eene beste aanboord van de „Mars”, goede vriend,” zeide de
Kapitein. „De barbier daar had er ook eene.”
„Jawel, maar mijn pluksel en mijne verbanddoeken!”
„Die kunnen mede! Hier, Hoepel, deze manden en kisten in de boot.
Ze zullen misschien wel noodig zijn.”
„Maar mijne potten met troost der armen!”
„Garrit, hier is eene ledige mand! Haal hierin vijf of zes potten
„troost”, zei Londenaar lachend.
„En dan het wonderwater van Serbiette, en de potten met die
Chineesche zalf, die, die, die borreborrie!”
„Maar, Meester, je zult daar tusschen al die potten, pannen, manden,
kisten en flesschen zitten, als een Nassauer op de Pottenmarkt te
Middelburg,” riep Hoepel en schaterde van het lachen, alleen bij de
gedachte dat hij den barbier daar zou zien zitten.
Meester Pruymius zette eene hooge borst en zeide: „De lijfarts van
de Bevelhebbers der vloot moet toonen, dat hij geen kwâjongen is,
die alles op een koopje doet!”
Ondertusschen had de eene matroos na den anderen een’ pot, eene
kruik, eene flesch of eene mand gehaald, en één zelfs kwam met
een’ versleten zwabber aan, gaf dien aan Meester Troost over en
zeide; „Een wonderwasschertje, Meester!”
„Nu, nu, spels genoeg! Brengt dien rommel, waar ge hem gehaald
hebt! De Heeren zouden anders wel denken, dat we hen voor den
gek hielden. En, vlug in de boot! De „Mars” wacht op onzen Meester
om te vertrekken,” beval Londenaar.
Hoe Meester Troost ook tegenpruttelde, hij kreeg slechts eene flesch
wonderwater, ééne mand „troost” benevens één’ pot met borreborrie
mede. Hij wilde ook nog een welsprekend afscheid van de
bemanning nemen, doch de Kapitein maakte er een einde aan door
hem in het oor te fluisteren: „Wees verstandig, Meester, en zwijg
liever! Het volk is te dom om uwe geleerdheid te begrijpen! Gij zoudt
niet veel meer doen dan paarlen voor de zwijnen werpen. Ga maar
gauw in de boot. Men wacht u.”
Hierdoor gevleid daalde Meester Pruymius den valreep af en kort
daarop was hij aanboord van het Admiraalsschip, waar hij door de
bemanning met een: „Hoezee! Meester Troost! Hoezee!” ontvangen
werd.
Een uur voor zons-ondergang was Dolf op de „Koning van Polen”
terug.
„Kapitein,” zei hij, „Admiraal Truytman en Heer van Dam hebben
gezegd, dat ge de jonken op sleeptouw medenemen moet en het
volk wel behandelen. Wanneer we over een paar dagen bij het
eiland Tanah-kéké de boodschap ontvangen, dat het tusschen ons
en den Koning van Makassar botertje tot op den boôm is, dan kunt
ge ze vrij laten.”
„En als het eens andersom is?”
„Dan zal men u een nader bericht zenden. Maar vooral moest ik u op
het gemoed drukken de mannen goed en vriendelijk te behandelen
en niet op te sluiten. Men moest hen evenwel scherp in het oog
houden en zorgen, dat ze des nachts niet in alle stilte de wacht
overrompelen en het schip ontvluchten. Hij, Admiraal Truytman
namelijk, zeide, dat ze er best toe in staat zijn om zoo iets te doen.”
„Ook zonder dat me dit bevolen werd, zou ik het gedaan hebben.
Maar wat beteekenen toch al die kisten, die ze daar op dek
hijschen?”
„Dat zijn reiskoffers van Joffer Cos, Kapitein! Er zijn ook kisten met
Chineesche lekkernijen bij en die zijn ook voor de Joffer. Maar ééne
mand is voor u en het volk. Heer van Dam wilde, dat we van avond
op de gezondheid zijner Bruid een extra-oorlam drinken zouden!”
„Goed, goed! Laat al die pakken en kisten maar in de hut bij de
Joffer brengen. Ze zal zeker.... Wacht, daar komt ze zelve reeds
aan!”
„Wat noemt u toch lang, Kapitein,” dus begon ze met een lachje en
liet weer hare tanden zien, „als u een klein uur niet lang noemt? Ik
begon mij te vervelen, en daar ik door het venster der kajuit eene
boot met mijne kisten zag naderen, dacht ik de vrijheid te mogen
nemen eens op het dek te komen!”
Dolf naderde haar en haar een briefken overreikend, zeide hij: „Met
de groeten van Heer van Dam, Joffer!”
Joffer Cos opende het briefje en in dien tijd namen de matrozen en
Officieren de gelegenheid waar, de jonge weduwe eens goed op te
nemen.
Na het lezen ging ze naar den Kapitein en zeide: „Ik zal u wel niet
lang van uwe kajuit berooven, Kapitein! Heer van Dam meldt me,
dat ik over een’ dag of drie wel weer aanboord van de „Mars” zal
kunnen terugkeeren. Doch wil u zoo goed zijn, deze pakkage in de
kajuit te laten brengen? Zooals ik lees, heeft Heer van Dam ook voor
eene versnapering voor u en uw volk gezorgd. Dat is goed. Ik heb
vanavond niets meer noodig en zou gaarne alleen met mijne
gedachten zijn. U begrijpt wel dat eene arme weduwe, als ik ben,
die alweer op het punt staat met een wakker dienaar der Compagnie
in het huwelijk te treden, gaarne eens even stil droomen wil van
hetgeen haar in de toekomst mogelijk wachten zal.”
Alweer lachte ze vriendelijk en begaf zich naar de kajuit, doch toen
ze Joost voorbijliep en deze bij ongeluk met zijne ruwe, beteerde
matrozen-hand haar’ blanken arm aanraakte toen hij eene kist
oplichtte, keek ze hem zóó nijdig en zóó uit de hoogte aan, dat de
man er heelemaal verslagen van was.
„Kan jij niet beter uit jouw oogen kijken, oude lomperd?” snauwde
zij hem toe. „Of hebt jij jouw oogen soms ook in den zak zitten?”
Joost zette de kist terstond neer en wilde heengaan.
„Nou, pak op!” beet ze hem toe, en ook nu kwamen de hagelwitte
tanden te voorschijn.
Henri Quatre was de eenige, die er iets van gehoord en gezien had.
Hij ging naar die twee en zeide: „Die kist is u te zwaar, brave kerel!
Er wordt te veel boven op gelegd! Ik zal ze wel in de kajuit
brengen!”
Joost verwijderde zich en scheen met de grove vuist wat uit de
oogen te boenen, dat uit het waterland afkomstig was. Hij zeide
evenwel niets.
Henri Quatre zette de kist in de kajuit neer en wilde ook heengaan,
doch Joffer Cos hield hem tegen en vroeg: „Is u hier Eerste
Stuurman aanboord?”
„Jawel, Joffer,” antwoordde Henri Quatre met eene buiging, alsof hij
als student voor eene schoone burgemeesters-dochter stond, gereed
haar ten dans te vragen.
Joffer Cos zag hieraan dadelijk, dat hij een man van beschaafde
vormen was, en meende al een heel wit voetje bij hem te krijgen
door hem weer lachend hare tanden te laten zien, en beleefd toe te
voegen: „Wat bedoelde u toch om tegen dien lompen kerel te
zeggen, dat er te veel op de kist gelegd werd? Er ligt toch niets op?”
„Joffer, onverdiende scheldwoorden uit een’ schoonen mond zijn
onzichtbaar, maar wegen zwaarder dan lood! Gij hebt den braafsten
man en misschien den dappersten kerel van de „Koning van Polen”
bitter gegriefd. En als dat uw wil niet geweest is, maak het dan bij
hem met een hartelijk en vriendelijk woord weer goed! Nu weet u,
wat die kist voor den braven oude zoo zwaar maakte.”
„De Bruid van den Landvoogd van Amboina is de gelijke niet van
een’ zeebonk! Gij kunt gaan, Stuurman,” antwoordde de Joffer
geraakt en keerde hem den rug toe.
Henri Quatre verwijderde zich, haalde minachtend de schouders op
en bevond zich spoedig op het dek.
„Een aangenaam onderhoud gehad, Willem?” vroeg Dolf.
„Ik gun je er zoo een van ganscher harte, Dolf, maar dan moet je
eerst mijn vijand worden. Zij is begonnen met onzen goeden Joost
een lomperd te noemen en geëindigd met mij de deur te wijzen,
omdat ik haar durfde zeggen, dat ze den braafsten kerel van heel de
vloot beleedigd had. Hoe eer we die trotsche dame kwijt zijn, hoe
liever!”
„Trotsch, het is mogelijk,” zeide Dolf, „maar wanneer men hier in de
Oost niets anders ziet dan bruine mannen aanboord en leikleurige
mannen en vrouwen aan den wal, dan is het een heel verzetje om
eens zulk eene jonge en schoone Hollandsche vrouw te zien. Zag je
wel haar mooi mondje met prachtige tanden? Mensen, men zou er
immers de oogen op uitkijken?”
„Kijk je oogen dan nog liever op eene oude Javaansche vrouw uit,”
zeide Henri Quatre. „En mooie tanden? Zeker! Poes is ook poezel en
heeft ook mooie tanden! Noem haar Joffer Poes en beklaag hem, die
haar tot vrouw krijgt.”
„Stuurman,” sprak Kapitein Londenaar, „wapen eenige mannen en
laat dan de Chineezen boven komen. Ik wil er inspectie over houden
en hun zeggen, wat ze weten moeten.”
Dolf, tot wien dit bevel gericht was, wapende eenigen der
manschappen en toen dit geschied was, begaf hij zich met een
viertal naar het ruim, deed het luik open en trachtte den Chineezen
door teekenen duidelijk te maken, dat ze op het dek moesten
komen.
De Chineezen begrepen hem zeer goed, en het was voor de arme
kerels, die inderdaad zonder opzet met hunne jonken temidden van
de Hollandsche vloot verzeild waren, een welkom bevel.
De een na den ander verliet het dompige hol en op het dek
gekomen, werden ze door Henri Quatre in twee rijen geschaard, en
toen dat geschied was, verscheen de Kapitein door gewapend volk
omringd.
De Chineezen vielen dadelijk, met hunne aangezichten over de
gevouwen handen gebogen, op de knieën, ten bewijze van hulde en
onderdanigheid.
IJzeren Neptunus, gekleed in de waardigheid van Scheeps-
bevelhebber, met de sjerp om het lijf, schreed langzaam tusschen de
geknielde Chineezen voort en toen hij de einden der twee rijen
bereikt had, stond hij stil en had hun gaarne wat gezegd, als hij de
Chineesche taal slechts machtig ware geweest.
De Kapitein der Amboinneezen, die ook op het dek stond, scheen te
begrijpen, wat er aan haperde. Hij ging nu naar Kapitein Londenaar
en zeide, dat hij wel met die lieden spreken kon, zoodat hij gaarne,
als tolk zou optreden.
Met vreugde nam de Kapitein dit voorstel aan en zeide nu door
middel van zijn’ tolk tot de Chineezen:
„Mannen, wij gaan den valschen Koning van Makassar beoorlogen
om hem te dwingen de Compagnie voortaan niet meer door
verraderlijke listen en streken te benadeelen.”
De Chineezen knikten, alsof ze zeggen wilden: „We begrijpen u, ga
maar voort!”
„En opdat de Makassaren niet, ons ten nadeele, van het hun
dreigende gevaar zouden verwittigd worden, zoo hebben we ons
genoodzaakt gezien u met uwe jonken aan te houden. Gij zijt
evenwel geene gevangenen en ge kunt u hier aanboord vrij
bewegen. Maar de eerste de beste, die pogingen aanwendt, te
ontvluchten, wordt zonder genade op staanden voet doodgeschoten.
Welcome to our website – the perfect destination for book lovers and
knowledge seekers. We believe that every book holds a new world,
offering opportunities for learning, discovery, and personal growth.
That’s why we are dedicated to bringing you a diverse collection of
books, ranging from classic literature and specialized publications to
self-development guides and children's books.

More than just a book-buying platform, we strive to be a bridge

connecting you with timeless cultural and intellectual values. With an
elegant, user-friendly interface and a smart search system, you can
quickly find the books that best suit your interests. Additionally,
our special promotions and home delivery services help you save time
and fully enjoy the joy of reading.

Join us on a journey of knowledge exploration, passion nurturing, and

personal growth every day!

ebookbell.com