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.
|
Pristupačnost
