Machine Learning and Artificial Intelligence An Introduction

Salin, Eric D.; Winston, Patrick Henry

doi:10.1021/ac00025a742

Cited by 24 publications

(9 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“… 89 − 92 The introduction of machine learning techniques in the early 1990s marked a pivotal point in the evolution of chemical analysis methodology. 93 This led to a blur between what is considered chemometrics or machine learning, but we believe a subtle distinction has evolved: a reliance on linear relationships is now more associated with chemometrics, whereas nonlinear relationships and large data sets are more commonly considered ML. 70 In actuality, there is no sharp distinction between the statistical methods of chemometrics and machine learning.…”

Section: Artificial Intelligence and Machine Learningmentioning

confidence: 99%

The Evolution of Data-Driven Modeling in Organic Chemistry

et al. 2021

View full text Add to dashboard Cite

Organic chemistry is replete with complex relationships: for example, how a reactant’s structure relates to the resulting product formed; how reaction conditions relate to yield; how a catalyst’s structure relates to enantioselectivity. Questions like these are at the foundation of understanding reactivity and developing novel and improved reactions. An approach to probing these questions that is both longstanding and contemporary is data-driven modeling. Here, we provide a synopsis of the history of data-driven modeling in organic chemistry and the terms used to describe these endeavors. We include a timeline of the steps that led to its current state. The case studies included highlight how, as a community, we have advanced physical organic chemistry tools with the aid of computers and data to augment the intuition of expert chemists and to facilitate the prediction of structure–activity and structure–property relationships.

show abstract

Section: Artificial Intelligence and Machine Learningmentioning

confidence: 99%

The Evolution of Data-Driven Modeling in Organic Chemistry

et al. 2021

View full text Add to dashboard Cite

show abstract

“…El término aprendizaje de máquina fue acuñado en 1959 por Arthur Samuel en el contexto de la resolución de juegos de damas por máquinas (Joshi, 2020). Por aprendizaje de máquina se hace referencia a un programa de computadora que puede aprender a producir un comportamiento para el cual no fue explícitamente programado por el autor del programa.…”

Section: Aprendizaje De Máquinaunclassified

“…Por aprendizaje de máquina se hace referencia a un programa de computadora que puede aprender a producir un comportamiento para el cual no fue explícitamente programado por el autor del programa. Según (Joshi, 2020), este comportamiento puede ser aprendido en base a tres factores: 1) datos que son consumidos por el programa, 2) una métrica que cuantifique el error o alguna forma de distancia entre el comportamiento actual y el comportamiento ideal, o bien 3) un mecanismo de retroalimentación que usa el error cuantificado para guiar al programa a producir el mejor comportamiento en los eventos subsecuentes.…”

Section: Aprendizaje De Máquinaunclassified

“…Empleando la matriz de transiciones asociada con A se calcula el hitting time H A . Como señala (Joshi, 2020), una manera de aprender un comportamiento es definiendo una métrica que cuantifique el error o alguna forma de distancia entre el comportamiento actual y el comportamiento ideal. En esta dirección, para detectar conflicto se opta por definir esta métrica.…”

Section: Seaunclassified

“…En este caso la propuesta se basa en la aplicación de una técnica de aprendizaje supervisado. Según (Joshi, 2020), esta forma de aprendizaje se aproxima a las que tienen en cuenta los datos que son consumidos por el programa.…”

Section: Reconocimiento De Conflictos Mediante Un Enfoque De Aprendizaje De Máquina Supervisadounclassified

See 2 more Smart Citations

Reconocimiento de conflictos en diálogos colaborativos aplicando análisis de sentimiento

Ezequiel¹

2021

RIDAA Tesis Unicen

View full text Add to dashboard Cite

El Aprendizaje Colaborativo Soportado por Computadora (ACSC) es una situación de aprendizaje donde dos o más estudiantes trabajan juntos con el objetivo de aprender. La comunicación mantenida por los grupos para llevar a cabo su trabajo puede ser sincrónica o asincrónica. La comunicación de tipo sincrónica demanda que los miembros concuerden en un horario para poder interactuar. Un ejemplo de aplicación que puede soportar este tipo de comunicación es el chat. En la comunicación asincrónica no es necesario que los miembros del grupo concuerden en un horario para poder interactuar. En ambos tipos de comunicaciones, los miembros pueden participar en el dialogo colaborativo estando en distintos lugares. Un ejemplo de aplicación que soporta la comunicación asíncrona es el foro. La interacción entre los estudiantes influye positivamente en los procesos cognitivos de los participantes cuando la colaboración es exitosa. Muchos factores pueden incidir en el éxito de un proceso de aprendizaje colaborativo. Uno de estos factores es la estabilidad emocional del grupo. Sin embargo, esta estabilidad emocional puede verse afectada por la ocurrencia de una diversidad de eventos, entre ellos, los conflictos. Los conflictos son desacuerdos entre dos o más miembros de un grupo causado por disposiciones individuales y la diversidad de objetivos, puntos de vista y experiencias previas. Cuando el conflicto se manifiesta en el seno del grupo hay una tendencia a que el sistema cognitivo se vea resentido. Esto ocurre debido a un incremento en la carga cognitiva que genera el conflicto. A su vez, este fenómeno conduce a que la capacidad de procesamiento del grupo se bloquee. Si bien existe una connotación negativa en los conflictos, es importante reconocer que existen distintos tipos de ellos. Se pueden identificar los conflictos cognitivos o de tarea, los conflictos de proceso y los conflictos de relaciones. De estos tipos de conflictos, se reconoce que los conflictos cognitivos pueden contribuir positivamente en el aprendizaje. Sin embargo, los otros dos tipos de conflictos también influyen en el rendimiento del grupo, tal es el caso de los conflictos de relaciones que impactan negativamente. A pesar de la negatividad de ciertos tipos de conflictos, la ocurrencia de conflictos abre la oportunidad a que los estudiantes aprendan a trabajar en grupo, una competencia demandada por el mercado laboral actual. Sin embargo, para que esto ocurra el docente debe guiar a los estudiantes hacia la resolución de los conflictos cuando aquellos no puedan hacerlo por sí mismos. Esto significa que el docente necesita poder responder en tiempo real a las situaciones de conflicto para ofrecer recomendaciones en cuanto al intercambio de roles, la compartición del liderazgo, realizar cambios en la carga de trabajo, promover la reflexión, entre otros. Para lograr esta función, el docente necesita realizar un seguimiento de las situaciones de conflicto. Sin embargo, realizar este seguimiento es una tarea que insume tiempo y mucho trabajo. Lo analizado anteriormente pone de manifiesto la necesidad de proveer a los entornos de ACSC, que emplean herramientas de comunicación síncronas basadas en texto para promover los procesos de aprendizaje en grupo, la funcionalidad de reconocimiento de conflictos para facilitar el monitoreo por parte del docente y propiciar su oportuna intervención. En esta tesis se planteó la hipótesis de que en las situaciones de ACSC síncronas basadas en texto, los mensajes de texto intercambiados entre los miembros del grupo pueden tener la suficiente información para detectar conflictos. Particularmente, se idearon dos técnicas que permiten reconocer conflictos teniendo en cuenta el intercambio de información socio-afectiva. La primera técnica implementada modela un diálogo colaborativo como un grafo dirigido donde los nodos representan a los estudiantes y las aristas indican la transferencia de sentimientos negativos durante las interacciones. Luego, aplicando conceptos de la teoría de grafos se emplea una matriz de commute time escalada para detectar miembros del grupo en conflicto. La segunda técnica se basa en la aplicación de aprendizaje máquina supervisado. Particularmente, se realiza la aplicación de algoritmos de aprendizaje ensamblados, formalizando el proceso de extracción de características y definiendo el concepto de valencia de interacciones atómicas como principal característica empleada para entrenar el clasificador supervisado. Para evaluar las técnicas propuestas se llevó a cabo una validación experimental que demandó la recolección de interacciones de estudiantes en situaciones de ACSC. Estas interacciones fueron analizadas aplicando una técnica de análisis de contenido y sirvieron de base para el posterior entrenamiento y validación de los clasificadores. Los resultados de las técnicas propuestas resultaron satisfactorios, obteniéndose un valor de F1 de 0.72 para la primera técnica, y un F1 de 0.81 para la segunda. Estos resultados muestran que es posible reconocer conflictos teniendo en cuenta el intercambio de emociones negativas. Esta tesis proporciona importantes contribuciones al campo del ACSC al permitir reconocer conflictos mediante la aplicación de técnicas de Aprendizaje Máquina (AM), Análisis de Redes Sociales (ARS) y Análisis de Sentimiento (AS).

show abstract