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 innebærer analyse av gitte data (f.eks. et spektroskopisk datasett fra et kjemisk eksperiment), hvor studentene bruker teknikker lært i kurset til å løse gitte dataanalyseoppgaver (f.eks. bygge en prediktiv modell for konsentrasjon av kjemiske forbindelser). Dette prosjektet har som mål å utvikle studentenes evne til å anvende kjemometriske teknikker på reelle data, tolke resultater og kommunisere funn effektivt. Studentene må oppsummere analysen sin i en skriftlig rapport som beskriver metode, resultater og tolkninger.

En viss andel av øvingsoppgavene må være godkjent før prosjektrapporten kan leveres.

Den forventede arbeidsmengden for kurset er 200 timer: 30 timer forelesninger, 70 timer øvinger og 100 timer selvstudium, inkludert gjennomgang av forelesningsnotater og prosjektarbeid.

Obligatoriske aktiviteter

• Øvinger

Anbefalte forkunnskaper

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

Kursmateriell

Oppgis ved semesterstart.

Studiepoengreduksjon