Шифра предмета:
371H2
Назив предмета:
Хемометрија

Школска година:

2023/2024.

Услови похађања:

Нема услова.

ЕСПБ:

10

Врста студија:

докторске академске студије

Студијски програми:

Хемија: 1. година, зимски семестар, изборни (E71H2), стручно-апликативни предмет

Хемија: 1. година, зимски семестар, изборни (E72H2), стручно-апликативни предмет

Хемија: 2. година, зимски семестар, изборни (E73H2), стручно-апликативни предмет

Хемија: 2. година, зимски семестар, изборни (E74H2), стручно-апликативни предмет

Наставник:

др Филип Љ. Андрић
ванредни професор, Хемијски факултет, Студентски трг 12-16, Београд

Сарадници:

Фонд часова:

Недељно: пет часова предавања + три часа студијског истраживачког рада

Циљеви:

Циљ курса је да студенте упозна са основама напредне обраде података испуњавајући при томе највише стандарде по угледу на сличне курсеве који се изводе на Универзитeту у Лувену (Белгија), Умеа универзитету (Шведска) и Универзитету у Бергену (Норвешка). Узимајући у обзир огромну количину података генерисану савременим инструменталним техникама (спектроскопијом и спектрофотометријом, хроматографијом, масеном спекртометријом, нуклеарном магнетном резонанцом, електрохемијским експериментима, минијатуризацијом и вишеструким повезивањем инструменталних техника), али и потребе за оптимизацијом експерименталних услова у различитим аспектима фундаменталне и примењене хемије и биохемије, циљ курса је да кроз практичне примере, на једноставан и разумљив начин упозна студенте са применом софтверских пакета и модерних техника обраде података у анализи хране и природних производа, хемије животне средине, медицинске хемије, археометрије и аналитике уметничких дела, фитохемије, биохемије, контроле квалитета и сл.

Исход:

По завршетку курса студент би требало да буде оспособљен да: схвати значај и концепте метода препознавања образаца, експлоративне анализе података, моделовања и класификације, експерименталног дизајна и оптимизације; да исправно користи и одабира одговарајуће технике напредне обраде података и интерпретира добијене резултате, да користи стандардне компјутерске програме за обраду података; користи научну и стручну литературу из области хемометрије у складу са специфичним потребама докторских студија, односно посла и истраживања којим се бави.

Облици наставе:

Предавања.

Ваннаставне активности:

Литература:

Основна литература:

  • Richard G. Brereton, Chemometrics: Data Analysis for the Laboratory and Chemical Plant, Wiley, 2003.
  • K. Varmuza, P. Filmoser: Introduction to Multivariate Statistical Analysis in Chemometrics, CRC Press, Taylor and Francis Gorup, 2009, Boca Raton

Помоћна литература:

  • Материјал са предавања.

Додатни материјал:

  Наставне обавезе и начин оцењивања

Предавања:

10 поена (5 часова недељно)

Програм рада:

1. ОСНОВНИ ЕЛЕМЕНТИ СТАТИСТИКЕ ОД ЗНАЧАЈА ЗА ХЕМОМЕТРИЈУ
Статистика поновљених мерења - мере централне тенденције и мере расипања, грешке мерења. Основни параметријски и непараметријски тестови значајности. Униваријантна линеарна и криволинијска регресија.

2. ЕКСПЕРИМЕНТАЛНИ ДИЗАЈН И ОПТИМИЗАЦИЈА 
Основе експерименталног дизајна, факторски, централни, Бокс-Бенкенов дизајн, дизајн смеше. Симплекс оптимизација експерименталних услова, метод површине одговора у оптимизацији експерименталних услова, вишекритеријумска оптимизација.

3. ЕКСПЛОРАТИВНА АНЛИЗА ПОДАТАКА И ПРЕПОЗНАВАЊЕ ОБРАЗАЦА 
Анализа главне компоненте (PCA), хијерархијска кластерска анализа (HCA), кластерска анализа методом к-средњих вредности, концепт интерне и екстерне валидације кластера.

4. МУЛТИВАРИЈАНТНА АНАЛИЗА ВАРИЈАНСЕ (МАNOVA)

5. ЛИНЕАРНА РЕГРЕСИЈА И КАЛИБРАЦИЈА
Вишеструка линеарна регресија (MLR), регресија методом главних компоненти (PCR), регресија методом делимичних најмањих квадрата (PLS), технике кросвалидације, параметри квалитета регресионог модела, селекција варијабли и оптимална сложеност модела.

6. ЛИНЕАРНЕ ТЕХНИКЕ КЛАСИФИКАЦИЈЕ
Линеарна дискриминантна анализа (LDA), дискриминантна анализа куплована са методом делимичних најмањих квадрата (PLS-DA), SIMCA, оцена перформанси класификационих модела.

7. НЕЛИНЕАРНИ И ПРИРОДОМ ИНСПИРИСАНИ АЛГОРИТМИ МОДЕЛОВАЊА
Вештачке неуронске мреже (АNN), регресиона и класификациона стабла (RT), регресионе шуме (RF), к-најближи суседи (kNN).

Све методе обраде података се обрађују кроз практичне примере везане за хроматографско понашање биолошки активних једињења и једињења од значаја за животну средину, анализу и контролу квалитета хране и прехрамбених производа, анализу загађујућих супстанци у животној средини и храни, односа структуре и активности биолошки активних једињења и једињења од значаја за животну средину, анализу минералног састава и спектроскопских података археолошких узорака, узорака земљишта, оптимизацију ензимске активности и реакционих услова полимеризације и сл.

Семинарски радови:

30 поена

Писмени испит:

60 поена

Студијски истраживачки рад:

0 поена (3 часа недељно)