course-details-portlet

KJ8175

Kjemometri

Velg studieår
Studiepoeng 7,5
Nivå Doktorgrads nivå
Undervisningsstart Vår 2025
Varighet 1 semester
Undervisningsspråk Engelsk og norsk
Sted Trondheim
Vurderingsordning Samlet karakter

Om

Om emnet

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 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.
  • 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 200-225 timer.

Obligatoriske aktiviteter

  • Prosjektarbeid

Mer om vurdering

Vurderingen i emnet gjøres på grunnlag av presentasjonen av prosjektarbeidet (20%) og muntlig eksamen (80%).

Kursmateriell

Oppgis ved semesterstart.

Studiepoengreduksjon

Emnekode Reduksjon Fra
TKJ4175 7,5 sp Høst 2015
KJ6020 7,5 sp Høst 2022
Dette emne har faglig overlapp med emnene i tabellen over. Om du tar emner som overlapper får du studiepoengreduksjon i det emnet du har dårligst karakter i. Dersom karakteren er lik i de to emnene gis det reduksjon i det emnet som er avlagt sist.

Fagområder

  • Kjemometri
  • Fysikalsk kjemi
  • Kjemi
  • Teknologiske fag

Kontaktinformasjon

Emneansvarlig/koordinator

Ansvarlig enhet

Institutt for kjemi