1. komponenta

Vrsta nastave	Ukupno
Predavanja	30
Seminar	30

* Opterećenje je izraženo u školskim satima (1 školski sat = 45 minuta)

Ciljevi predmeta
Upoznati studente s važnošću korištenja matematičkih i statističkih metoda u obradi eksperimentalnih podataka, provođenju viševarijantne analize i primjeni strategija eksperimentalnog dizajna. Osigurati interakciju s računalima korištenjem standardnih programa (MS Excel, MatLab, Statistica).

Opis sadržaja predmeta
1. Tjedan: Uvod u kemometriju. Vrste eksperimentalnih podataka. Povezanost eksperimentalnih podataka, informacije i znanja.
2. Tjedan: Osnove statistike u kemometriji. Vjerojatnost. Raspodjela podataka. Vrste i izvori pogrešaka.
3. Tjedan: Primjena t i F testova. Analiza varijance. Heteroskedastičnost. Cohranov test.
4. Tjedan: Testovi za otkrivanje odstupajućih podataka. Dixonov test. Grubbsov test.
5. Tjedan: Eksperimentalni dizajn. Slučajni kvadrati. Latinski kvadrati.
6. Tjedan: Faktorski dizajn. Upotreba grupiranja. Višefaktorska analiza varijance.
7. Tjedan: Uvod u modeliranje i optimizaciju. Linearna regresija. Težinski faktori. Višestruka linearna regresija. Nelinearna regresija. Modeliranje odzivnih površina.
8. Tjedan: Kolokvij
9. Tjedan: Obrada signala. Detekcija signala. Granice detekcije i odlučivanja. Filtracija. Uglađivanje.Mijenjanje signala. Fourierova transformacija. Dekonvolucija.
10. Tjedan: Kalibracija. Linearno područje. Osjetljivost. Mjerna nesigurnost.
11. Tjedan: Eksploracijska analiza podataka. Kompleksni skupovi podataka. Prepoznavanje uzoraka. Popunjavanje. Skaliranje. Rotiranje.
12. Tjedan: Hijerarhijska analiza grozdova. Udaljenost i sličnost. Jednostruka, potpuna i centroidna povezanost. Dendrogrami.
13. Tjedan: Analiza glavnih sastavnica. Matrica kovarijance. Svojstveni vektori. Svojstvene vrijednosti.
14. Tjedan: Umjetne neuronske mreže. Vrste i topologija umjetnih neuronskih mreža. Osnove algoritama za treniranje. Validacija. Poopćavanje. Klasifikacija. Linearni i nelinearni model. Metodologija K-najbližih susjeda. Neovisno modeliranja slaganjem grupa.
15. Tjedan: Kolokvij

Vrste izvođenja nastave:
- predavanja
- vježbe
- mješovito e-učenje
- samostalni zadaci

Obveze studenata
Studenti su obvezni prisustvovati na 70% ukupne satnice predavanja i seminara.

Praćenje rada studenata
Pohađanje nastave
Eksperimentalni rad
Kolokvij
Seminarski rad
Praktični rad
Pismeni ispit

Ishodi učenja na razini programa kojima predmet pridonosi
- Rješavati inženjerske probleme znanstvenim pristupom povezivanjem stručnih znanja iz kemije, inženjerstva okoliša, kemijskog inženjerstva i inženjerstva materijala.
- Planirati i samostalno provoditi eksperimentalni rad u svrhu potvrđivanja postavljene hipoteze uzimajući u obzir ekonomsku i ekološku učinkovitost procesa.
- Primijeniti različite analitičke tehnike, analitičke i numeričke metode i programske alate u kreativnom rješavanju inženjerskih problema nudeći održiva tehnološka rješenja.
- Optimirati cjelovite i održive tehnološke procese analizom i modeliranjem s ciljem postizanja minimalne količine otpadnih tvari, uz poštivanje strategije zatvorenog proizvodnog ciklusa.
- Primijeniti alate, metode i norme za praćenje i procjenjivanje kvalitete procesa i proizvoda i njihovog utjecaja na okoliš te utvrditi potencijalne rizike u radu tehnoloških procesa i razvoja proizvoda.
- Kritički analizirati, vrednovati i interpretirati vlastite rezultate uspoređujući ih s postojećim rješenjima dostupnima u znanstvenoj i stručnoj literaturi
- Pokazati neovisnost i pouzdanost u samostalnom radu, kao i učinkovitost, pouzdanost i prilagodljivost u timskom radu
- Razviti radnu etiku, osobnu odgovornost i težnju za daljnjim usvajanjem novih znanja i vještina prema normama inženjerske prakse

Očekivani ishodi učenja na razini predmeta (3-10 ishoda učenja)
1. Definirati raspodjelu podataka.
2. Primijeniti statističke testove hipoteze u kemiji.
3. Upotrijebiti metode eksploracije podataka u stvarnim kemijskim sustavima.
4. Primijeniti metode modeliranja i optimiranja.
5. Ekstrahirati korisne informacije.
6.Kalibrirati analitički sustav, obraditi mjerni signal sa svrhom dobivanja korisne informacije.

1. Definirati raspodjelu podataka
2. Primijeniti statističke testove hipoteze u kemiji
3. Upotrijebiti metode eksploracije podataka u stvarnim kemijskim sustavima
4. Primijeniti metode modeliranja i optimiranja
5. Ekstrahirati korisne informacije
6. Kalibrirati analitički sustav, obraditi mjerni signal sa svrhom dobivanja korisne informacije

1. Practical Guide to Chemometrics, P. Gemeprline, 2. izd., CRC Press, Boca Raton, 2006.
2. Chemometrics Data Analysis for the Laboratory and Chemical Plant, R. G. Brereton, Wiley, West Sussex, 2003.
3. Statistical Methods in Analytical Chemistry, P. C. Meier, R. E. Zund, 2. izd., Wiley, New York, 2000.
4. Neural Networks in Chemistry and Drug Design, J. Zupan, J. Gasteiger, Wiley-VCH, Weinheim, 1999.
5. Chemometrics in Environmental Analysis, J. W. Einax, H. W. Zwanziger, S. Geiß, Wiley-VHC, Weinheim, 1997.

Izborni predmeti - Redovni studij - Chemical and Environmental Technology