000 | 03623nam a22003497a 4500 | ||
---|---|---|---|
003 | EC-UrYT | ||
005 | 20240715145627.0 | ||
008 | 150116t9999 mx r gr 000 0 spa d | ||
040 | _cEC-UrYT | ||
041 |
_aeng _bspa |
||
100 | 1 |
_aCastro Angamarca, Jonnathan Ariel _916081 _eautor |
|
245 | 1 | 0 |
_aThe Yggdrasil Project: organic reaction prediction with a custom-developed feedforward neural network and a tailored database / _cJonnathan Ariel Castro Angamarca ; tutor Thibault Terencio |
264 | 3 | 4 |
_aUrcuquí, _c2024 |
300 |
_a102 hojas : _bilustraciones (algunas a color) ; _c30 cm + _e1 CD-ROM |
||
502 |
_aTrabajo de integración curricular _b(Químico/a). _cUniversidad de Investigación de Tecnología Experimental Yachay. _gUrcuquí, _d2024 |
||
504 | _aIncluye referencias bibliográficas (páginas 77-80) | ||
506 | _aTrabajo de integración curricular con acceso abierto | ||
516 | _aTexto (Hypertexto links) | ||
520 | _aEsta tesis presenta el proyecto Yggdrasil, cuyo objetivo es aplicar el aprendizaje automático para predecir reacciones químicas orgánicas mediante el desarrollo y validación de un modelo de red neuronal. El proyecto se estructura en dos fases principales: Cognitio y Vaticinor. En la fase Cognitio, un subconjunto de la base de datos USPTO_MIT fue procesado y adaptado para el aprendizaje automático, aumentado con cálculos de la Teoría del Funcional Densidad, para formar un conjunto de datos adecuado para el entrenamiento del modelo. La fase Vaticinor consistió en el diseño, desarrollo y validación del modelo de red neuronal, centrándose en la capacidad del modelo para predecir reacciones orgánicas con precisión. Utilizando sólo el 0,375% de la base de datos USPTO_MIT, el proyecto logró una precisión de prueba del 32,33% y una precisión de validación cruzada del 29,39%. El análisis determinó que el conjunto de características "Correlación fuerte" era el que ofrecía el mejor rendimiento, lo que subraya la importancia de la selección estratégica de características para mejorar la precisión predictiva y la capacidad de generalización del modelo. Los resultados ilustran la viabilidad y el potencial del uso del aprendizaje automático para la predicción de reacciones orgánicas. La dirección futura del proyecto Yggdrasil incluye: • La ampliación de la base de datos para mejorar la robustez del modelo. • La integración de todos los scripts de Cognitio para la optimización de procesos. • La adición de información estereoquímica al conjunto de datos. • El perfeccionamiento del modelo para cubrir una gama más amplia de reacciones orgánicas. Esta tesis destaca la importancia de la preparación de datos, la selección de características y la validación de modelos en el aprendizaje automático y la química computacional. Los códigos que componen el Proyecto Yggdrasil fueron escritos en Python3.10 y Bash y están disponibles en el repositorio GitHub: https://github.com/jcastro7732/Yggdrasil-Project | ||
546 | _aTextos en inglés con resúmenes en español e inglés | ||
650 | 0 |
_aRedes Neuronales _912613 |
|
650 | 0 |
_aAprendizaje automático _912923 |
|
650 | 0 |
_aCognitio _916082 |
|
650 | 0 |
_aNeural networks _912621 |
|
650 | 0 |
_aMachine Learning _912667 |
|
650 | 0 |
_aVaticinor _916083 |
|
700 | 1 |
_aTerencio, Thibault _911676 _etutor |
|
710 | 1 |
_aUniversidad de Investigación de Tecnología Experimental Yachay. _911232 _bEscuela de Ciencias Químicas e Ingeniería |
|
856 |
_uhttp://repositorio.yachaytech.edu.ec/handle/123456789/736 _zVer recurso |
||
942 |
_2ddc _cTIC |
||
999 |
_c4715 _d4715 |