Cilj kolegija
Upoznavanje studenata s važnosti uporabe matematičkih i statističkih
metoda za obradu realnih eksperimentalnih podataka, postupanjem
viševarijantnim podacima, te planiranjem eksperimenata. Omogućiti im
rad na računalima i upoznati sa standardnim programskim paketima
(MS Excel, MatLab, Statistica).
Izvedbeni program kolegija
Tjedan 1: Uvod u kemometiju. Vrste eksperimentalnih podataka. Relacija
između eksperimentalnih podataka, informacije i znanja.
Tjedan 2: Osnove statistike u kemometriji. Vjerojatnost. Raspodjela
podataka. Deskriptivna statistika. Točnost i preciznost.
Tjedan 3: Testovi hipoteze. Parametarski testovi. z- test, t- test, F - test.
Testovi odbacivanja sumnjivih vrijednosti. Dixonov test. Grubbsov test.
Tjedan 4: Homoskedastičnost. Cohranov test. Jednofaktorska analiza
varijance. Višefaktorska analiza varijance.
Tjedan 5: Eksperimentalni dizajn. Nasumični blokovi. Latinski kvadrati.
Faktorski dizajn. Upotreba blokiranja. Ostali specifični eksperimentalni
dizajni.
Tjedan 6: Regresija. Linearna regresija. Analiza reziduala. Regresija s
težinskim faktorima. Višestuka linearna regresija. Nelinearna regresija.
Plohe odziva. Kalibracija.
Tjedan 7: Umjetne neuronske mreže. Vrste i topologije umjetnih
neuronskih mreža. Osnove algoritama za učenje. Učenje sa i bez vanjskog
učitelja. Testiranje i validacija. Generalizacija.
Tjedan 8: Eksploracijska analiza podataka. Kompleksni uzorak.
Prepoznavanje uzorka. Metode prepoznavanja uzorka sa i bez vanjskog
učitelja. Rotacija.
Tjedan 9: Analiza glavnih komponenata. Matrica kovarijance. Vlastite
vrijednosti i vlastiti vektori. Principi smanjivanja broja dimenzija.
Tjedan 10: Hijerarhijska klaster analiza. Udaljenost i sličnost.
Jednostruko, potpuno i centroidno povezivanje. Dendogrami.
Tjedan 11: Klasifikacija. Linearni i nelinearni model klasifikacije. Metoda
K - najbližih susjeda. Metoda neovisnog modeliranja analogije klasa.
Tjedan 12: Obrada signala. Detekcija signala, granica detekcije, granica
odluke i granica kvantifikacije. Skaliranje. Popunjavanje. Usrednjivanje.
Filtriranje. Izravnavanje. Višestuko uzorkovanje. Furierove
transformacije. Modulacija signala. Derivacije signala. Dekonvolucija.
Tjedan 13: Optimizacija. Funkcije kriterija ocjenjivanja. Donošenje
odluka na osnovi više kriterija. Pareto optimalnost. Derringerova
funkcija.
Tjedan 14: Algoritmi za optimizaciju. Simplex. Genetički algoritmi.
Osnovni principi, namjena i primjeri upotrebe.
Tjedan 15: Molekulsko modeliranje. Optimizacija strukture.
Izračunavanje deskriptora. Povezivanje fizikalnih i kemijskih svojstva sa
strukturnim svojstvima molekula.
Preduvjeti za upis predmeta
Nema
Preduvjeti za polaganje predmeta
Redovito pohađanje nastave (predavanja i seminari), uspješno
sudjelovanje na kontinuiranim provjerama znanja, predan referat iz
zadane tematike.
Razvijanje općih i specifičnih
kompetencija studenata
Razvijaju se opća znanja matematičkih i statističkih metoda za obradu
realnih eksperimentalnih podataka, postupanjem viševarijantnim
podacima, te planiranjem eksperimenata.
Obveze studenata u nastavi i
načini njihova izvršavanja
Redovito pohađanje predavanja i laboratorijskih/računalnih vježbi.
Sudjelovanje na kontinuiranim provjerama znanja
Izrada referata iz zadane tematike.
Način izvođenja nastave
Predavanja, vježbe, samostalni zadaci, konzultacije prema potrebi
Način provjere znanja i polaganja
ispita
Kontinuirana provjera znanja (2 parcijalna testa);
Izrada referata iz zadane tematike;
Sve aktivnosti se boduju i ovisno o postignutom uspjehu moguće je
oslobađanje polaganja ispita; Pismeni ispit
Način praćenja kvalitete i
uspješnosti kolegija
Studentska anketa
Ishodi učenja kolegija
1. Razlikovati raspodjele podataka.
2. Kritički prosuditi statističke testove hipoteze u kemiji.
3. Argumentirati primjenu metoda ekspoloracije podataka na
realnim kemijskim sustavima.
4. Dizajnirati eksperimentalni postupak.
5. Odabrati prikladne metode modeliranja i optimizacije te
ekstrahirati korisnu informaciju.
6. Generirati kalibracijske krivulje u analitičkom sustava te iz
krivulja na osnovu vrijednosti mjernog signala procijeniti
korisnu informaciju
Ishodi učenja na razini programa
kojima predmet pridonosi
1. Primijeniti ideje u okviru znanstveno-istraživačkog rada
2. Integrirati znanje potrebno za obradu složenih ideja
3. Kreirati mišljenja na temelju nekompletnih ili ograničenih informacija
4. koristiti napredne laboratorijske postupke i instrumentaciju u okviru kemijske sinteze i analize
5. samostalno planirati eksperimente uz samokriticnost u procjeni eksperimentalnih postupaka i rezultata
6. procijeniti granice tocnosti eksperimentalnih podataka i njihove upotrebe u planiranju buduceg rada
7. Objasniti znanstvene ili tehničke zamisli, podatke i zaključke, uz korištenje prikladnih obrazloženja, u stručnom ili općem okruženju, pismeno ili usmeno
4. Procijeniti granice točnosti eksperimentalnih podataka i njihove
588
upotrebe u planiranju budućeg rada
5. Objasniti znanstvene ili tehničke zamisli, podatke i zaključke,
uz korištenje prikladnih obrazloženja, u stručnom ili općem
okruženju, pismeno ili usmeno
Obvezna literatura
1. Paul GemeprlineEd.Practical Guide to Chemometrics, 2nd Ed.
CRC Press, Taylor & FrancisG roup, 2006, Boca Raton, USA,
2006.
2. Richard G. Brereton: Chemometrics Data Analysis for the
Laboratory and Chemical Plant, John Wiley & Sons Ltd, West
Sussex, UK, 2003.
3. Peter C. Meier,Richard E. Zund, Statistical Methods in
Analytical Chemistry, 2nd Ed. John Wiley & Sons Ltd, New York,
USA, 2000.
4. Ivan Šošić, Primijenjena statistika, Školska knjiga, Zagreb,
Hrvatska, 2004
|
Pristupačnost
