Циљ предмета:

Курс хемометрије је осмишљен по узору на сличне курсеве који се изводе на: Универзитeту у Лувену (Белгија), Умеа Универзитету (Шведска) и Универзитету у Бергену (Норвешка), тако да задовољaва највише савремене стандарде. Циљ курса је да студенте упозна са основним концептима и техникама напредне обраде података. Кроз мноштво практичних примера, курс је фокусиран пре свега на аспекте примене модерних техника обраде података у спектроскопији, хроматографији, масеној спектрометрији, нуклеарној магнетној резонанци у оквирима анализе хране, хемије животне средине, медицинске хемије, археометрије, контроле квалитета и сл.

Исход предмета:

По завршетку курса студент би требало да буде оспособљен да: разуме значај и концепте метода препознавања образаца, ескплоративне анализе података, моделовања и класификације, експерименталног дизајна и оптимизације; користи стандардне компјутерске програме за (статистичку) обраду података; користи научну и стручну литературу из области хемометрије, у складу са индивидуалним потребама докторских студија, односно посла којим се бави.

Садржај предмета:

Теоријска настава

ОСНОВНИ ЕЛЕМЕНТИ ДЕСКРИПТИВНЕ И ИНФЕРЕНЦИЈАЛНЕ СТАТИСТИКЕ

• Статистика поновљених мерења - мере централне тенденције и мере расипања, грешке мерења
• Параметријски и непараметријски тестови значајности
• Униваријантна линеарна и криволинијска регресија

(примери из анлитике, развоја и валидације аналитичких метода)

МУЛТИВАРИЈАНТНА АНАЛИЗА ПОДАТАКА

• Експлоративна анализа и препознавање образаца (Анализа главне компоненте (PCA), хијерархијска кластерска анализа (HCA), кластерска анализа методом к-средњих вредности, концепт интерне и екстерне валидације кластера)
• Обрада 3D података (паралелна факторска анлиза (PARAFAC)
• Мултиваријантна анализа варијансе (МАNOVA)
• 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)
• Класификација (Линеарна дикриминантна анализа LDA, дискриминантна анализа куплована са методом делимичних најмањих квадрата (PLS-DA), SIMCA, оцена перформанси класификационих модела)

(моделовање хроматографских профила супстанци од фармаколошког значаја, биолошки активних једињења, анализa и контролa аутентичности хране и прехрамбених производа, конторле квалитета биљних екстраката, идентификицја биомаркера и фитохемикалија, предвиђањe и моделовањe активности и физичко-хемијских параметара једињења од интереса за животну средину и биолошке системе, анализа минералних и спектроскопских података археолошких узорака, узорака земљишта и сл.)

НЕЛИНЕАРНИ АЛГОРИТМИ

• Вештачке неуронске мреже (АNN) 
• Регресиона и класификациона стабла (RT) 
• к-најближи суседи (kNN) 

(природом инспирисани алгоритми у моделовању биолошке активности и физичко-хемијских својстава и фармакодинамичких особина једињења - QSAR, QSPR, анализа хроматографских профила биљних есктраката и минералног састава археолошких узорака и спектроскопског профила земљишта)

ЕКСПЕРИМЕНТАЛНИ ДИЗАЈН  И ОПТИМИЗАЦИЈА

• Основе експерименталног дизајна
• Факторски, централни, Бокс-Бенкенов дизајн, дизајн смеше
• Симплекс оптимизација
• Вишекритеријумска оптимизација

(Оптимизација реакционих услова и хроматографских метода)

Литература:

• James N. Miller, Jane C. Miller: Statistics and Chemometrics for Analytical Chemistry, Pearson Education, Harlow, 2000.
• 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

Методе извођења наставе:

Интерактивни облик наставе кроз индивидуални рад, предавања и семинарски рад.