Emne - Kjemometri - TKJ4175
Kjemometri
Velg studieårVurdering og obligatoriske aktiviteter kan bli endret frem til 20. september.
Om
Om emnet
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
Mer om vurdering
Vurderingen er basert på den skriftlige prosjektrapporten, som vil bli evaluert på grunnlag av klarhet og fullstendighet i dataanalysen, korrekt anvendelse av teknikker, kvalitet på datatolkning og diskusjon, samt rapportens overordnede struktur og presentasjon. Hvis kandidatene arbeider i team, får teamet en felles karakter.
Dersom prosjektrapporten ikke tilfredsstiller de faglige minimumskravene (karakter F - ikke bestått), kan du levere en revidert og forbedret versjon i neste tilgjengelige konteeksamenperiode.
Anbefalte forkunnskaper
Basiskunnskaper i matematikk (spesielt lineær algebra), statistikk og kjemi (eller et lignende naturvitenskapelig område).
Kursmateriell
Oppgis ved semesterstart.
Studiepoengreduksjon
Emnekode | Reduksjon | Fra |
---|---|---|
SIK3049 | 7,5 sp | |
KJ8175 | 7,5 sp | Høst 2015 |
KJ6020 | 7,5 sp | Høst 2022 |
Fagområder
- Analytisk kjemi
- Anvendt kjemometri
- Kjemometri
- Fysikalsk kjemi
- Kjemi
- Teknologiske fag