PERIODO: MARZO - APRILE 2023 Il corso presenta la chemiometria come un set di strumenti per l’acquisizione dei dati sperimentali, il loro processamento, esplorazione e analisi, con l’obiettivo di ottimizzare e massimizzare l’estrazione di informazione chimico-fisica utile, attraverso un approccio multivariato. Il corso prevede sia lezioni frontali che sessioni di esercizio pratico, in aula e a casa a gruppi. Durante gli esercizi verranno applicate le tecniche chemiometriche introdotte durante le lezioni teoriche, lavorando su dataset reali sia forniti dai docenti che proposti, qualora fossero disponibili, dagli studenti stessi.

Analisi matematica, fondamenti di algebra lineare, Excel, basi di MATLAB consigliate

Il corso è costituito da una parte teorica con lezioni frontali, e da una parte pratica fortemente focalizzata sul problem solving. Nella parte pratica, gli studenti potranno mettersi alla prova lavorando su dataset da cui estrarre informazioni utilizzando le tecniche chemiometriche esposte durante il corso. -- Moduli -- 1) Introduction: Cosa è la chemiometria? Dati e informazione, l'approccio multivariato, cosa sono i dati? 2) Exploratory Data Analysis (analisi esplorativa dei dati): l’analisi delle componenti principali (Principal Component Analysis, PCA), costruire e interpretare un modello PCA di dati reali, ispezione dei residui, individuazione di outlier, overfitting e underfitting, l’importanza dei metadati. 3) Data Preprocessing: pre-trattamento e pre-processamento dei dati, ispezione visuale dei dati. 4) Multivariate Regression (regressione multivariata): regressione multilineare (Multiple Linear Regression, MLR), Principal Component Regression (PCR), regressione Partial Least Squares (PLS), costruire e interpretare un modello PLS di dati reali 5) Multivariate Classification (classificazione multivariata): analisi discriminante vs modellazione di classe, Partial Least Squares-Discriminant Analysis (PLS-DA), Soft Independent Modelling of Class Analogy (SIMCA), costruire e interpretare un modello PLS-DA, ispezione delle misure di classificazione (matrice di confusione, specificità, sensitività, non-error rate, accuratezza) 6) Model Validation (validazione): validazione con test set, selezione di un test set, cross-validazione (concetto, schemi), quando bisogna validare un modello? (…sempre!) 7) Design of experiment (DoE): come pianificare gli esperimenti, fattori e livelli, il dominio sperimentale, perché variare un fattore alla volta non è proprio il metodo migliore, design sperimentali e superfici di risposta, altri utilizzi delle tecniche di disegno sperimentale (D-optimal per la selezione di sottoset di dati). -- Casi studio – Le tecniche chemiometriche proposte nel corso saranno applicate a dataset reali proposti sia dai docenti, che dagli studenti. È fortemente incoraggiato il lavoro sui propri dati, qualora fossero disponibili.

In presenza

Presentazione orale - Sviluppo di project work in team

P.D.2-2 - Marzo

Requisiti software: è necessario che Matlab venga installato nei computer dei partecipanti. Le toolbox per l'analisi dei dati verranno fornite e il loro utilizzo spiegato durante il corso.