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

Anbefalte forkunnskaper

Basiskunnskaper i matematikk (spesielt lineær algebra), statistikk og kjemi.

Kursmateriell

Oppgis ved semesterstart.

Studiepoengreduksjon