Emne - Kjemometri - TKJ4175
TKJ4175 - Kjemometri
Om emnet
Vurderingsordning
Vurderingsordning: Skriftlig skoleeksamen
Karakter: Bokstavkarakterer
| Vurdering | Vekting | Varighet | Delkarakter | Hjelpemidler |
|---|---|---|---|---|
| Skriftlig skoleeksamen | 100/100 | 4 timer | D |
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).
En viss andel (oppgis ved undervisningsstart) av øvingene kreves godkjent for adgang til slutteksamen i emnet.
Informasjon om undervisningsstart og obligatoriske aktiviteter kunngjøres via Blackboard. Ta kontakt med instituttet om noe er uklart.
Obligatoriske aktiviteter
- Øvinger
Mer om vurdering
Tillatte hjelpemidler på eksamen: Hjelpemiddelkode D: Ingen trykte eller håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt (se NTNUs nettsider for mer informasjon).
Ved utsatt eksamen kan skriftlig eksamen bli endret til muntlig eksamen.
Spesielle vilkår
Obligatorisk aktivitet fra tidligere semester kan godkjennes av instituttet.
Anbefalte forkunnskaper
Basiskunnskaper i matematikk (spesielt lineær algebra), statistikk og kjemi.
Kursmateriell
Oppgis ved semesterstart.
Studiepoengreduksjon
| Emnekode | Reduksjon | Fra | Til |
|---|---|---|---|
| SIK3049 | 7.5 | ||
| KJ8175 | 7.5 | HØST 2015 | |
| KJ6020 | 7.5 | HØST 2022 |
Versjon: 1
Studiepoeng:
7.5 SP
Studienivå: Høyere grads nivå
Termin nr.: 1
Undervises: VÅR 2023
Undervisningsspråk: Engelsk, Norsk
Sted: Trondheim
- Analytisk kjemi
- Kjemometri
- Fysikalsk kjemi
- Kjemi
- Teknologiske fag
Eksamensinfo
Vurderingsordning: Skriftlig skoleeksamen
- Termin Statuskode Vurdering Vekting Hjelpemidler Dato Tid Eksamens- system Rom *
- Vår ORD Skriftlig skoleeksamen 100/100 D 11.05.2023 09:00 INSPERA
-
Rom Bygning Antall kandidater - Sommer UTS Skriftlig skoleeksamen 100/100 D INSPERA
-
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.
For mer info om oppmelding til og gjennomføring av eksamen, se "Innsida - Eksamen"