0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

NTNU:TIA:REST

Institutt for kjemi

Department of Chemistry

Engelsk

Mer om vurdering

Vurderingen i kurset er i form av et prosjekt som deltakerne gjennomfører ved å bruke en eller flere av metodene fra kurset. Tema for prosjektet bestemmes i samarbeid med deltakerne og tilpasses deres interesser. Prosjektet kan utføres i samarbeid med andre deltakere eller individuelt. Hver deltaker må levere inn individuell prosjektrapport som beskriver prosjektet og hvordan de har løst den aktuelle problemstillingen.

Anbefalte forkunnskaper

Grunnleggende matematikk (lineær algebra), statistikk og kjemi.

Faglig innhold

Emnet gir en innføring i forsøksplanlegging og maskinlæringsmetoder for modellering og datanalyse med fokus på anvendelser innen kjemi, bioteknologi, prosesskjemi, materialteknologi og fysikk. Målet med emnet er å gi kunnskap om metoder som brukes for å trekke ut nyttig informasjon fra kompliserte datasett eller fysiske prosesser. Emnet gir kunnskaper om planlegging av effektive forsøk (hvordan gjennomføre forsøk for å få mest mulig informasjon med færrest mulige eksperiment), modellering (steg for å bygge og validere robuste modeller) og metoder som kan brukes for å trekke ut og oppdage nyttig informasjon i kompliserte datasett. Spesifikt dekkes følgende tema: design og planlegging av eksperimenter, variansanalyse, regresjon, modellering med validering, teknikker fra maskinlæring for å løse problemer som klassifisering, klyngeanalyse, analyse av multivariable datasett og bruk av nevrale nettverk for modellering.

Kursmateriell

Læringsutbytte

<p>Emnet gir kunnskaper om:</p><ol><li>Planlegging av forsøk med analyse og tolkning av resultater fra eksperimentelt design.</li><li>Viktige steg for bygging og validering av modeller med fokus på predikative egenskaper.</li><li>Bruk av ikke-veiledede («unsupervised») analysemetoder som prinsipalkomponentanalyse og klyngeanalyse for utforskning, analyse og tolkning store datasett.</li><li>Robuste regresjonsmetoder (som «partial least squares») for analyse, tolkning og prediksjon av store datasett.</li><li>Bruk av enkle maskinlæringsteknikker for klassifisering.</li><li>Bruk av nevrale nettverk for modellering.</li></ol><p></p>

Læringsformer og aktiviteter

Undervisningen foregår i form av 4 samlinger (fysisk eller digital). Hver samling foregår over 2 dager og inkluderer forelesning og øvingsoppgaver og diskusjon i grupper.

Forsøksplanlegging, modellering og maskinlæring

Kjemometri

Enkeltemner innenfor EVU

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(17078)/FieldValuesAsText

Forsøksplanlegging, modellering og maskinlæring - KJ6020