Šifra predmeta:
371H2		 Naziv predmeta:
Hemometrija

Školska godina:

2023/2024.

Uslovi pohađanja:

Nema uslova

ESPB:

10

Vrsta studija:

doktorske akademske studije

Studijski programi:

Hemija: 1. godina, zimski semestar, izborni (E71H2), stručno-aplikativni predmet

Hemija: 1. godina, zimski semestar, izborni (E72H2), stručno-aplikativni predmet

Hemija: 2. godina, zimski semestar, izborni (E73H2), stručno-aplikativni predmet

Hemija: 2. godina, zimski semestar, izborni (E74H2), stručno-aplikativni predmet

Nastavnik:

dr Filip Lj. Andrić
vanredni profesor, Hemijski fakultet, Studentski trg 12-16, Beograd

Saradnici:

—

Fond časova:

Nedeljno: pet časova predavanja + tri časa studijskog istraživačkog rada

Ciljevi:

Cilj kursa je da studente upozna sa osnovama napredne obrade podataka ispunjavajući pri tome najviše standarde po ugledu na slične kurseve koji se izvode na Univerzitetu u Luvenu (Belgija), Umea univerzitetu (Švedska) i Univerzitetu u Bergenu (Norveška). Uzimajući u obzir ogromnu količinu podataka generisanu savremenim instrumentalnim tehnikama (spektroskopijom i spektrofotometrijom, hromatografijom, masenom spekrtometrijom, nuklearnom magnetnom rezonancom, elektrohemijskim eksperimentima, minijaturizacijom i višestrukim povezivanjem instrumentalnih tehnika), ali i potrebe za optimizacijom eksperimentalnih uslova u različitim aspektima fundamentalne i primenjene hemije i biohemije, cilj kursa je da kroz praktične primere, na jednostavan i razumljiv način upozna studente sa primenom softverskih paketa i modernih tehnika obrade podataka u analizi hrane i prirodnih proizvoda, hemije životne sredine, medicinske hemije, arheometrije i analitike umetničkih dela, fitohemije, biohemije, kontrole kvaliteta i sl.

Ishod:

Po završetku kursa student bi trebalo da bude osposobljen da: shvati značaj i koncepte metoda prepoznavanja obrazaca, eksplorativne analize podataka, modelovanja i klasifikacije, eksperimentalnog dizajna i optimizacije; da ispravno koristi i odabira odgovarajuće tehnike napredne obrade podataka i interpretira dobijene rezultate, da koristi standardne kompjuterske programe za obradu podataka; koristi naučnu i stručnu literaturu iz oblasti hemometrije u skladu sa specifičnim potrebama doktorskih studija, odnosno posla i istraživanja kojim se bavi.

Oblici nastave:

Predavanja.

Vannastavne aktivnosti:

—

Literatura:

Osnovna literatura:

  • 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

Pomoćna literatura:

  • Materijal sa predavanja.

Dodatni materijal:

—

  Nastavne obaveze i način ocenjivanja

Predavanja:

10 poena (5 časova nedeljno)

Program rada:

1. OSNOVNI ELEMENTI STATISTIKE OD ZNAČAJA ZA HEMOMETRIJU
Statistika ponovljenih merenja - mere centralne tendencije i mere rasipanja, greške merenja. Osnovni parametrijski i neparametrijski testovi značajnosti. Univarijantna linearna i krivolinijska regresija.

2. EKSPERIMENTALNI DIZAJN I OPTIMIZACIJA 
Osnove eksperimentalnog dizajna, faktorski, centralni, Boks-Benkenov dizajn, dizajn smeše. Simpleks optimizacija eksperimentalnih uslova, metod površine odgovora u optimizaciji eksperimentalnih uslova, višekriterijumska optimizacija.

3. EKSPLORATIVNA ANLIZA PODATAKA I PREPOZNAVANjE OBRAZACA 
Analiza glavne komponente (PCA), hijerarhijska klasterska analiza (HCA), klasterska analiza metodom k-srednjih vrednosti, koncept interne i eksterne validacije klastera.

4. MULTIVARIJANTNA ANALIZA VARIJANSE (MANOVA)

5. LINEARNA REGRESIJA I KALIBRACIJA
Višestruka linearna regresija (MLR), regresija metodom glavnih komponenti (PCR), regresija metodom delimičnih najmanjih kvadrata (PLS), tehnike krosvalidacije, parametri kvaliteta regresionog modela, selekcija varijabli i optimalna složenost modela.

6. LINEARNE TEHNIKE KLASIFIKACIJE
Linearna diskriminantna analiza (LDA), diskriminantna analiza kuplovana sa metodom delimičnih najmanjih kvadrata (PLS-DA), SIMCA, ocena performansi klasifikacionih modela.

7. NELINEARNI I PRIRODOM INSPIRISANI ALGORITMI MODELOVANjA
Veštačke neuronske mreže (ANN), regresiona i klasifikaciona stabla (RT), regresione šume (RF), k-najbliži susedi (kNN).

Sve metode obrade podataka se obrađuju kroz praktične primere vezane za hromatografsko ponašanje biološki aktivnih jedinjenja i jedinjenja od značaja za životnu sredinu, analizu i kontrolu kvaliteta hrane i prehrambenih proizvoda, analizu zagađujućih supstanci u životnoj sredini i hrani, odnosa strukture i aktivnosti biološki aktivnih jedinjenja i jedinjenja od značaja za životnu sredinu, analizu mineralnog sastava i spektroskopskih podataka arheoloških uzoraka, uzoraka zemljišta, optimizaciju enzimske aktivnosti i reakcionih uslova polimerizacije i sl.

Seminarski radovi:

30 poena

Pismeni ispit:

60 poena

Studijski istraživački rad:

0 poena (3 časa nedeljno)