course-details-portlet

KJ8175 - Kjemometri

Om emnet

Vurderingsordning

Vurderingsordning: Samlet karakter
Karakter: Bestått/ Ikke bestått

Vurdering Vekting Varighet Delkarakter Hjelpemidler
Muntlig eksamen 80/100 45 minutter E
Prosjektforedrag 20/100 45 minutter E

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

Obligatorisk aktivitet fra tidligere semester kan godkjennes av instituttet.

Kursmateriell

Oppgis ved semesterstart.

Studiepoengreduksjon

Emnekode Reduksjon Fra Til
TKJ4175 7.5 HØST 2015
KJ6020 7.5 HØST 2022
Flere sider om emnet

Ingen

Fakta om emnet

Versjon: 1
Studiepoeng:  7.5 SP
Studienivå: Doktorgrads nivå

Undervisning

Termin nr.: 1
Undervises:  VÅR 2023

Undervisningsspråk: Engelsk, Norsk

Sted: Trondheim

Fagområde(r)
  • Kjemometri
  • Fysikalsk kjemi
  • Kjemi
  • Teknologiske fag
Kontaktinformasjon
Emneansvarlig/koordinator:

Ansvarlig enhet
Institutt for kjemi

Eksamensinfo

Vurderingsordning: Samlet karakter

Termin Statuskode Vurdering Vekting Hjelpemidler Dato Tid Eksamens- system Rom *
Vår ORD Prosjektforedrag 20/100 E
Rom Bygning Antall kandidater
Vår ORD Muntlig eksamen 80/100 E
Rom Bygning Antall kandidater
  • * Skriftlig eksamen plasseres på rom 3 dager før eksamensdato. Hvis mer enn ett rom er oppgitt, finner du ditt rom på Studentweb.
Eksamensinfo

For mer info om oppmelding til og gjennomføring av eksamen, se "Innsida - Eksamen"

Mer om eksamen ved NTNU