Хемометрија

1.

Наслов на наставниот предмет

Хемометрија

2.

Код

ХЕМ-982-23

3.

Студиска програма

ХЕМИЈА

4.

Организатор на студиската програма (единица, односно институт, катедра, оддел)

Институт за хемија

5.

Степен (прв, втор, трет циклус)

Втор

6.

Академска година / семестар

I или II семестар

7.

Број на ЕКТС кредити

6

8.

Наставник

проф. д-р Игор Кузмановски

9.

Предуслови за запишување на предметот

математички методи во хемијата или статистичка обработка на податоци во хемијата

10.

Цели на предметната програма (компетенции):
Да се продлабочат сознанијата за анализа на хемиски податоци стекнати на претходните курсеви (математички методи во хемијата или статистичка обработка на податоци во хемијата).

11.

Содржина на предметната програма:
Обработка на сигнали и временски серии (обработка на сигнали, обработка на временски серии);
Претходна обработка на податоците;
Моделирање на хемиски податоци (робусна линеарна регресија, регресија на парцијални најмали квадрати, регресија на карактеристични вектори, валидација на хемометриски методи, вкрстена валидација, домен на применливост);
Методи за класификација и за препознавање на облици (фактор-аналитички методи, групирање на податоците, k-најблиски соседи, графички методи); Вештачки невронски мрежи (еднонасочни повеќеслојни вештачки невронски мрежи, самоорганизирани мапи, контра-пропагирачки вештачки невронски мрежи, фази логика, генетски алгоритми, машини со потпорни вектори).
Длабоко учење (deep learning) и примена во хемијата (концепт на длабоко учење, конволуциски невронски мрежи, граф конволуциски невронски мрежи, рекурентни невронски мрежи и др.).
Имплементација на изучуваните алгоритми во Matlab. 

12.

Методи на учење:

13.

Вкупен расположив фонд на време

180

14.

Распределба на расположивото време

30+60+15+15+60

15.

Форми на наставните активности

15.1.

Предавања- теоретска настава.

30

15.2.

Вежби (лабораториски, аудиториски), семинари, тимска работа.

60

16.

Други форми на активности

16.1.

Проектни задачи

15

16.2.

Самостојни задачи

15

16.3.

Домашно учење - задачи

60

17.

Начин на оценување    

17.1.

Тестови

70

17.2.

Индивидуална работа/проект (презентација: писмена и усна)

10

17.3.

Активност и учество

20

18.

Kритериуми за оценување (бодови/ оценка)

до 50 бода

5 (пет) (F)

51 до 60 бода

6 (шест) (E)

61 до 70 бода

7 (седум) (D)

71 до 80 бода

8 (осум) (C)

81 до 90 бода

9 (девет) (B)

91 до 100 бода

10 (десет) (A)

19.

Услов за потпис и полагање на завршен испит

Следење  на предавања и консултации

20.

Јазик на кој се изведува наставата

Македонски

21.

Метод на следење на квалитетот на наставата

Активност на предавањата и на вежбите, проверка на знаењата преку колоквиуми

22.

Литература

22.1.

Задолжителна литература

Ред. број

Автор

Наслов

Издавач

Година

1.

M. Otto

Chemometrics: Statistics and Computer Application

in Analytical Chemistry 

Wiley-WCH, Weinheim

2017

2.

J.N. Miller, J.C. Miller

Statistics and Chemometrics for Analytical Chemistry (6^th ed)

Prentice Hall, Harlow

2010

3.

J. Zupan, J. Gasteiger

Neural Networks in Chemistry and Drug Design

Wiley-WCH, Weinheim

1999

4.

5.

22.2.

Дополнителна литература

Ред. број

Автор

Наслов

Издавач

Година

1.

P.C. Meier, R.E. Zünd,

Statistical Methods in Analytical Chemistry

Wiley, New York,

2000

2.

D.L. Massart, B.G.M.Vanderginste, S.N. Deming, Y. Michotte, L. Kaufman

Chemometrics: a textbook

Elsevier Science

2003

3.

Plit Kim

MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence

APress

2017