Waltraud Kessler

Multivariate Datenanalyse (eBook, PDF)

für die Pharma-, Bio- und Prozessanalytik

• Format: PDF

Produktbeschreibung

In vielen Fachgebieten, wie z. B. der Lebensmittelchemie, der pharmazeutischen oder biotechnologischen Industrie fallen immer mehr Daten an, die ausgewertet werden müssen. Klassische Verfahren gelangen hierbei schnell an ihre Grenzen. Die multivariate Datenanalyse beschäftigt sich mit Verfahren, mit denen man aus einer Fülle von Daten - wie z. B. Prozessdaten, Messdaten, Mikroarraydaten, Spektren - die wesentlichen, unabhängigen Informationen herausarbeiten kann. Es eröffnen sich somit ganz neue Möglichkeiten für eine effiziente und gleichzeitig umfangreiche Auswertung. Alle Methoden und Verfahren der multivariaten Datenanalyse werden anhand von praktischen Beispielen mit einer beigefügten Demoversion des Programms "The Unscrambler". Der Leser ist somit in der Lage, das Erlernte direkt auf seine eigenen Fragestellungen anzuwenden.

---

Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, HR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.

Produktdetails

• Verlag: Wiley-VCH
• Seitenzahl: 327
• Erscheinungstermin: 27. Februar 2007
• Deutsch
• ISBN-13: 9783527609666
• Artikelnr.: 37358517

Autorenporträt

Professor Waltraud Kessler Bis 1980 Studium der Physik an der Universität Reutlingen, Industrietätigkeit mit Schwerpunkt Software-Entwicklung auf dem Gebiet der Optoelektronik zur Datenerfassung und Datenkommunikation, Wissenschaftlicher Mitarbeiter am Institut für Angewandte Forschung (IAF) der Fachhochschule Reutlingen, seit 2002 Honorarprofessur an der FH Reutlingen, seit 2002 Leitung des Steinbeis Transferzentrums für Prozesskontrolle und Datenanalyse enge Kooperationen mit der Firma Camo aus Norwegen, die mit dem Programmpaket "The Umscramble" Marktführer auf dem Gebiet der multivariaten Datenanalyse ist (www.camo.com).

Inhaltsangabe

- Was ist multivariate Datenanalyse
- Datensätze der multivariaten Datenanalyse
- Überblick über die Methoden der multivariaten Datenanalyse

ANALYSEMETHODEN
- PCA
- Geschichte der PCA
- Anwendungsgebiete der PCA
- Prinzip der PCA
- Näherungsverfahren zum Berechnen der Hauptkomponenten
- Vorverarbeitung der Daten
- Beispiele (Prozessdaten, Mikroarraydaten, sensorische Daten, Spektren)

REGRESSIONSMETHODEN
- Multilineare Regression (MLR)
- Prinzip der MLR
- Beispiele
- Principal Component Regression (PCR)
- Prinzip der PCR
- Vergleich und Vorteile der PCR gegenüber MLR
- Beispiele
- Partial Least Squares Regression (PLS-R)
- Geschichte der PLS
- Prinzip der PLS
- Regression mit vielen Zielgrößen
- PCR
- Beispiele

KALIBRIEREN, VALIDIEREN DER MODELLE
- Finden des optimalen Kalibriermodells
- Validieren eines Modells - wie gut ist das Modell
- Validierungsmethoden
- Beispiele

ANWENDEN DES KALIBRIERMODELLS-VORHERSAGE VON WERTEN
- Vorhersage mit PCR
- Vorhersage mit PLS
- Fehlerbetrachtung

ZUDSAMMENFASSUNG: SCHRITTE DER MULTIVARIATEN KALIBRIERUNG

KLASSIFIZIERUNGSMETHODEN

SIMCA
- Prinzip der SIMCA
- Beispiele

MEHRDIMENSIONALE REGRESSIONSMETHODEN
- 3-dimensionale-PLS (N-PLS)
- Geschichte der N-PLS
- Prinzip der N-PLS
- Beispiele

PARAFAC
- Geschichte der PARAFAC
- Prinzip der PARAFAC
- Beispiele

ERWEITERTE VERFAHREN ZUR PCA
- Rotation auf Reinspektren (Target Transformation)
- Prinzip der Target Transformation
- Rotation unter vorgegebenen Nebenbedingungen
- Selbstständiges Finden von Reinspektren in den Hauptkomponenten (Multivariate Curve Resolution MCR)
- Geschichte der MCR
- Prinzip der MCR
- Beispiele

Rezensionen

"...Dem Leser wird ein ausreichender mathematischer Hintergrund der multivariaten Verfahren vermittelt, dabei legen die Autoren gleichzeitig viel Wert auf Anschaulichkeit und Interpretation. Beispiele aus der insustriellen Praxis verdeutlichen die Theorie, und es gibt viele Hinweise und Tipps für die Anwendung der Verfahren beim Auswerten großer Datenmengen."
PharmaTec, 06/2007