Faglig innhold

Emnet er beregnet som en innføring i bruk av kjemometriske analysemetoder, og er svært relevant for dataanalyse innenfor kjemoinformatikk, bioinformatikk og prosesskjemi.
Metoder som dekkes er: Klassisk minste kvadraters metode og polynomregresjon. Eksperimentell design metoder som full og fraksjonelt faktorielt design. Preprosesseringsmetoder som normalisering, Fourier filtrering, Savitsky-Golay numerisk derivering, konvolusjon, multiplicative scatter correction, autoscaling. Latent variable metoder som principal component analysis/singulærverdi dekomponering, principal component regresjon, partial least squares regresjon. Modellvalidering ved hjelp av testsett, kryssvalidering, bootstrap og y-randomisering. Klyngeanalyseteknikker som hierarkisk klyngeanalyse, k-means klyngeanalyse og «gap» statistikk. Klassifiseringsmetoder som random forest, CART og k-nærmeste nabometode. Multivariat kurve resolusjonsmetoder som evolving factor analysis, alternating least squares og lokal ranganalyse.

Læringsutbytte

Etter avsluttet kurs skal studenten kunne:
(1) Sette opp, analysere og tolke resultater fra et eksperimentelt design
(2) Velge hva slags preprosessering er nødvendig i ulike situasjoner
(3) Gjøre bruk av ikke-veiledede metoder som PCA og klyngeanalyse for å kunne analysere og tolke multivariable datasett
(4) Gjøre bruk av regresjonsmetoder som PLS og PCR til å analysere, tolke og predikere multivariable datasett
(5) Gjøre bruk av valideringsmetoder for å sjekke ulike modellers prediktive evne
(6) Gjøre rede for veiledede og ikke-veiledede metoders styrker og svakheter.

Læringsformer og aktiviteter

Forelesning av teori og bakgrunn, samt datamaskin- og regneøvinger under veiledning.

Anbefalte forkunnskaper

Basiskunnskaper i matematikk (spesielt lineær algebra) og kjemi.

Kursmateriell

Oppgis ved semesterstart.

Studiepoengreduksjon