Course Details

Print pageDownload as PDF
We Invite You to a Course in

Multivariate Analysis, Advanced Course

Analisi Multivariata per applicazioni spettroscopiche - corso avanzato
Le spettroscopie ottiche e magnetiche e la spettrometria di massa sono tecniche analitiche ampiamente diffuse nei laboratori di ricerca e trovano sempre maggiori applicazioni nel controllo di processo e nel controllo qualità. Tuttavia, la complessità del dato (come nel caso di spettri di fluidi biologici o di estratti naturali), l’opportunità di una calibrazione multivariata o la necessità di effettuare l’analisi in tempo reale (come nel caso di monitoraggio o di controllo di un processo) richiedono l’impiego di una metodologia adeguata per l’indagine. L’analisi multivariata offre metodi ed algoritmi adatti allo studio e al controllo di fenomeni che siano descritti in modo appropriato da indagini spettroscopiche. 
Il corso prevede l’approfondimento dei metodi di pre-trattamento di dati spettroscopici, lo studio di algoritmi specifici per approntare calibrazioni multivariate, la presentazione e l’applicazione di metodi per generare modelli di classificazione a partire da una matrice dati di spettri. 
Si richiede la conoscenza, a livello base, di PCA e PLS.

Obiettivi del corso
Alla fine del corso i partecipanti saranno in grado di:
• effettuare un opportuno pre-trattamento dei dati mediante l’applicazione di algoritmi di scalatura e di filtri per dati spettroscopici
• generare modelli per calibrazioni multivariate
• generare modelli per interpretare dati spettroscopici ed effettuare classificazioni
• testare il valore predittivo di un modello ed effettuare predizioni

A chi è rivolto
Il corso è rivolto a ricercatori dei settori ricerca e sviluppo, controllo qualità e produzione interessati ad approfondire metodi ed algoritmi di analisi multivariata specifici per lo studio di dati spettroscopici.

Programma
Primo giorno
09:00 Introduzione al corso
PCA e PLS:
• cenni ai principi fondamentali e alle principali applicazioni
Pre-trattamento dei dati:
• metodi avanzati per centratura e scalatura
• metodi specifici per dati spettroscopici: SNV, MSC, filtro OSC
• esempi ed applicazioni.
Introduzione alla tecnica O2PLS.
Esercitazioni guidate e discussione.
17:00 Conclusione.
Secondo giorno
09:00 Modelli gerarchici.
Calibrazione multivariata:
• vantaggi di una calibrazione multivariata
• metodi di campionamento (DoE) per la selezione del training set e del test set
• esempi ed applicazioni.
Analisi di 3-way dataset:
• unfolding del dataset
• analisi di batch
• esempi ed applicazioni.
Algoritmi per la generazione di modelli:
• PCA, PLS, PLS-DA, O2PLS
Esercitazioni guidate e discussione.
Analisi di dati di proprietà dei partecipanti.
16:00 Conclusione.

Iscrizione
  • Il corso è aperto ad un massimo di 10 persone e sarà attivato solo con un numero minimo di iscritti pari a 6
  • In base ai dati di registrazione S-IN invierà, dopo la chiusura delle iscrizioni, la corrispondente fattura con pagamento a 30 giorni tramite BB. E’ possibile revocare l’iscrizione fino a tre settimane prima dell’inizio del corso; successivamente, sarà addebitato l’intero importo dell’iscrizione. La società dell’iscritto può sostituire il/i partecipante/i in qualsiasi momento previa notifica a S-IN.
  • Il materiale didattico è in lingua inglese ed è composto di:
    • Testo “Multi- and Megavariate Data Analysis”, Part II Advanced Applications and Method Extension, L. Eriksson, E. Johansson, N. Kettaneh-Wold, , J. Trygg, C. Wikström, and S. Wold
    • Testo delle slide di lezione
    • CD-Rom con i dati per le esercitazioni
  • Umetrics rilascia a ciascun partecipante l’attestato di frequenza al corso

Per iscriversi, utilizzare il link “Begin registration” in questa pagina, in alto, oppure inviare un e-mail a training@s-in.it o academy@umetrics.com.

COURSE INFORMATION

Course length: 2 days
Location: Italy, Vicenza
Start date: 2010-11-30
Price: 1000 EUR
Contact: umetrics.academy@umetrics.com

Please visit www.umetrics.com/training for more information and registration.

No prior knowledge of statistics is required, knowledge about in-house data base structure is beneficial.