Faglig innhold

Dette emnet gir en introduksjon til kjemometriske metoder for dataanalyse og eksperimentell design, med vekt på anvendelser innen biologi, bioteknologi, kjemi, materialvitenskap og fysikk. Du vil lære å designe effektive eksperimenter, forbbehandle data for analyse, konstruere modeller for å avdekke underliggende sammenhenger i data og trekke ut meningsfull informasjon fra komplekse datasett.

Følgende temaer dekkes:

• Forbehandling av data (f.eks. numerisk derivasjon og integrasjon, fjerning av støy og frekvensanalyse)
• Design av eksperimenter (f.eks. fullstendige og fraksjonelle faktorielle design)
• Regresjon (f.eks. lineære og ikke-lineære minste kvadraters metode) og maskinlæringsteknikker for ikke-veiledede (f.eks. klyngeanalyse) og veiledede problemer (f.eks. klassifisering)
• Modellvalidering (f.eks. bruk av testsett, kryssvalidering og bootstrapping)
• Dimensjonsreduksjon og bruk av latente variabler for å trekke ut meningsfull informasjon fra komplekse datasett (f.eks. prinsipalkomponentanalyse og partial least squares regression)

Læringsutbytte

Kunnskaper

Etter avsluttet kurs kan studenten:

• Forklare prinsippene for eksperimentell design, inkludert faktorielle design, og hvordan data fra slike design analyseres.
• Forklare formål og bruksområder til ulike forbehandlingsmetoder
• Velge passende kjemometriske teknikker basert på en evaluering av dataanalysebehovene
• Beskrive kjemometriske metoder for veiledet og ikke-veiledet læring (f.eks. regresjon, prinsipalkomponentanalyse), samt gi eksempler på deres anvendelse i den virkelige verden
• Analysere og tolke resultater fra fra kjemometriske metoder
• Forklare hvordan valideringsmetoder brukes til å evaluere kvalitet og nøyaktighet til ulike modeller

Ferdigheter

Etter avsluttet kurs kan studenten:

• Redusere dimensjonalitet til komplekse datasett for å hente ut tolkbar informasjon
• Designe og analysere eksperimenter ved bruk av teknikker fra eksperimentell design
• Forberede data for analyse ved bruk av passende forbehandlingsteknikker, inkludert, rengjøring, transformasjon og skalering
• Utføre prinsipalkomponentanalyse og klyngeanalyse for å utforske og tolke komplekse datasett
• Bygge regresjonsmodeller for prediksjon og dataanalyse
• Bygge klassifiseringsmodeller for prediksjon og datakategorisering
• Evaluere kvalitet av modeller ved bruk av valideringsteknikker som testsett og kryssvalidering

Generell kunnskap

Etter avsluttet kurs kan studenten:

• Formidle komplekse kjemometriske resultater effektivt, ved bruk av klart og konsist språk og visualiseringer
• Bruke Python-programmering til å løse kjemometriske problemer, inkludert dataimport, forbehandling, analyse og visualisering

Læringsformer og aktiviteter

• Forelesninger.
• Øvinger.
• Prosjektarbeid.

Prosjektarbeidet er en obligatorisk individuell oppgave der kandidaten utfører en kjemometrisk dataanalyse. Tema for prosjektet velges ut fra kandidatens interesseområder.

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.

Forventet arbeidsinnsats i emnet er 200 timer.

Obligatoriske aktiviteter

• Prosjektarbeid

Anbefalte forkunnskaper

Basiskunnskaper i matematikk (spesielt lineær algebra), statistikk og kjemi (eller et lignende naturvitenskapelig område).

Kursmateriell

Oppgis ved semesterstart.

Studiepoengreduksjon