ANALISI MULTIVARIATA DI DATI IN MATRICI AMBIENTALI

Il corso vuole fornire la conoscenza dei metodi, atti alla comprensione, allo studio e alla interpretazione di sistemi reali. In questo insegnamento, a partire dalla descrizione della struttura multivariata dei dati atti allo studio di un sistema chimico/ambientale, verranno illustrati i principali metodi di Pattern Recognition, con particolare riferimento alla Cluster Analysis, all'Analisi delle Componenti Principali (PCA), allo sviluppo di modelli mulivariati previsionali (PCR e PLS) attraverso la strategia QSAR (Relazioni Quantitative Struttura-Attività), e al Disegno Sperimentale. Particolare rilievo verrà dato alla costruzione ed alla validazione di modelli multivatiati di calibrazione, allo studio di sistemi ambientali con approfondimenti, presentazione e discussione di casi di studio.
Queste conoscenze sono di fondamentale importanza per il CdS, poichè consentono allo studente di acquisire le competenze necessarie all'interpretazione di dati ambientali, e di comprendere i meccanismi e le dinamiche dei processi ambientali in campo chimico, ecologico, geologico, idrogeologico, biologico: questa è la base per intraprendere strategie di risanamento, controllo, e valutazione della biodiversità ambientale, nonchè della salvaguardia del capitale e delle risorse naturali.
Il corso ha un'impostazione prevalentemente sperimentale ed è mirato alla comprensione e all'utilizzo pratico dei principali metodi di Pattern Recognition.

Lo studente sarà in grado:
1) di acquisire le conoscenze adatte all'utilizzo dei metodi chemiometrici di analisi multivariata, ovvero i metodi di Pattern Recognition e di disegno sperimentale;
2) attraverso la presentazione di specifici casi di studio che utilizzano tali metodi, di acquisire la capacità di applicarli su problematiche ambientali nuove, ovvero di saper interpretare nuovi dati relativi a sistemi ambientali;
3) di acquisire una sufficiente capacità critica nella scelta dei metodi chemiometrici adatti a risolvere problematiche ambientali, e all'estrarre dai risultati le informazioni utili nell'indirizzarlo ad una strategia decisionale di intervento su un sistema ambientale.
Lo studente dovrà acquisire un linguaggio e un utilizzo coerente della terminologia, poichè dovrà essere anche in grado di proporre e comunicare questo approccio anche a persone che non dispongono di tali conoscenze, e con le quali dovrà confrontarsi e collaborare in un futuro professionale.

Conoscenza matematica di base di una qualsiasi scuola superiore

Pattern Recognition.
Il trattamento preliminare dei dati, metodi di classificazione e di raggruppamento: K-NN, Cluster Analysis.
Analisi delle Componenti Principali (PCA): teoria, utilizzo ed applicazioni; il metodo SIMCA.
Modelli di correlazione multivariata: metodi MRA, PCR, PLS e criteri di validazione. Scelta della dimensionalità ottimale dei modelli e loro ottimizzazione.
Disegno Sperimentale.
Disegni fattoriali, D-efficienza e disegni D-ottimali. utilizzo pratico di software chemiometrici. Una parte del corso sarà dedicata allo studio di casi reali presenti in letteratura.

Dispense e presentazioni fornite dal docente.
Roberto Todeschini: "Introduzione Alla Chemiometria". EDiSES, Napoli.
D.L. Massart et al: "Chemometrics:a Textbook", Data Handling in Science and Technology, 2, ELSEVIER, Amsterdam.

La verifica dell'apprendimento avviene attraverso un colloquio orale sugli argomenti trattati, con l'obbiettivo di verificare (anche attraverso la discussione di casi di studio) la capacità dello studente di applicare i metodi chemiometrici alla realtà delle problematiche in campo ambientale

Lezioni frontali. La lezione avrà lo scopo principale di far comprendere "la filosofia" dell'approccio chemiometrico, che è completamente diversa da quella generalmente utilizzata per un approccio allo studio scientifico tradizionale.

Italiano

LA STRUTTURA E I CONTENUTI DELL'INSEGNAMENTO POTRANNO SUBIRE VARIAZIONI IN CONSEGUENZA DELL'EPIDEMIA DI COVID-19.

orale