Vurderingsordning

Faglig innhold

Emnet er en innføring i bruk av metoder fra kjemometri og dataanalyse med fokus på anvendelser innen kjemi, bioteknologi, prosesskjemi, materialteknologi og fysikk.

Emnet dekker metoder for forsøksplanlegging, preprosessering og modellering som har som mål å trekke ut nyttig informasjon fra store datasett og bruke dette for å støtte avgjørelser. Spesifikt dekkes følgende temaer:

• enkel regresjon (f.eks. minste kvadraters metode og polynomregresjon),
• eksperimentell design (fullt og fraksjonelt faktorielt design),
• preprosessering (f.eks. auto scaling, Fourier-filtrering, Savitsky-Golay-filtrering og numerisk derivasjon, konvolusjon),
• reduksjon av store datamengder til tolkbar informasjon, f.eks. ved bruk av metoder som prinsipalkomponentanalyse, prinsipalkomponentregresjon og partial least squares regresjon,
• modellvalidering (ved bruk av testsett, kryssvalidering, bootstrap og y-randomisering),
• klyngeanalyse (f.eks. hierarkisk klyngeanalyse og k-means klyngeanalyse)
• klassifisering (f.eks. random forest og k-nærmeste nabometode)
• introduksjon til maskinlæringsteknikker for klassifisering, regresjon og klyngeanalyse.

Læringsutbytte

Kunnskaper

Etter avsluttet kurs kan studenten:

• Forklare forskjellen på veiledede og ikke-veiledede metoder og bestemme om en veiledet eller ikke-veiledet metode er best egnet i ulike situasjoner.
• Forklare hvordan eksperimentelle design brukes for forsøksplanlegging og hvordan resultater fra eksperimentelle design analyseres.
• Gi eksempler på ulike preprosesseringsmetoder og velge hva slags metode som er mest hensiktsmessig i forskjellige situasjoner.
• Beskrive ikke-veiledede metoder som prinsipalkomponentanalyse og klyngemetoder, gi eksempler på bruk og tolke og vurdere resultater fra slike metoder.
• Beskrive ulike regresjonsmetoder (f.eks. minste kvadraters metode og partial least squares), gi eksempler på bruk og tolke og vurdere resultater fra slike metoder.
• Beskrive ulike klassifiseringsmetoder, gi eksempler på bruk og tolke og vurdere resultater fra slike metoder.
• Forklare hvordan valideringsmetoder brukes for å analysere ulike modellers prediktive evne.
• Indikere gyldighetsgrenser for metodene og modellene som dekkes i kurset.

Ferdigheter

Etter avsluttet kurs kan studenten:

• Redusere, forenkle og omforme store datamengder til tolkbar informasjon.
• Sette opp, utføre og tolke resultater fra et eksperimentelt design.
• Utføre preprosessering for ulike datasett.
• Utføre prinsipalkomponentanalyse og klyngeanalyse, og bruke dette for å tolke store datamengder.
• Utføre regresjon og bruke dette for modellering og prediksjon.
• Utføre binær klassifisering og bruke dette for modellering og prediksjon.
• Bruke testsett og kryssvalidering for å beskrive og sammenligne ulike modellers prediktive evne.

Generell kunnskap

Etter avsluttet kurs kan studenten:

• Presentere resultater fra modellering og analyse skriftlig og grafisk.
• Bruke Python for enkel vitenskapelig analyse og plotting, spesifikt for de forskjellige metodene som kurset dekker.

Læringsformer og aktiviteter

• Forelesninger (2 timer per uke).
• Øvinger (3 timer per uke).
• Prosjektarbeid.

Prosjektarbeidet er en obligatorisk individuell oppgave der kandidaten utfører en kjemometrisk dataanalyse. Tema for prosjektet velges ut fra kandidatens interesseområder. Prosjektarbeidet leveres inn som en rapport som beskriver arbeidet.

Resultatene fra prosjektet presenteres i et foredrag på 30 minutter der kandidaten kan bli stilt spørsmål og gitt kommentarer til sin presentasjon. Dette foredraget utgjør 20% av endelig karakter i emnet.

Informasjon om undervisningsstart og obligatoriske aktiviteter kunngjøres via Blackboard. Ta kontakt med instituttet om noe er uklart.

Obligatoriske aktiviteter

• Prosjektarbeid

Mer om vurdering

Vurderingen i emnet gjøres på grunnlag av presentasjonen av prosjektarbeidet (20%) og muntlig eksamen (80%).

Spesielle vilkår

Anbefalte forkunnskaper

Basiskunnskaper i matematikk (spesielt lineær algebra), statistikk og kjemi.

Kursmateriell

Oppgis ved semesterstart.

Studiepoengreduksjon