Книга "Хемометрия для распознавания образов" является одной из наиболее быстроразвивающихся областей хемометрии за последнее десятилетие. Это обусловлено увеличением возможностей автоматизированных инструментов, таких как жидкостная и газовая хроматография-масс-спектрометрия и ядерно-магнитный резонанс, в сборе больших объемов данных, а также увеличением приложений в биомедицинских аналитических химических измерениях экстрактов из человека и животных. В книге представлены "реальные" кейсы распознавания образов из различных источников, включая биологию, медицину, материаловедение, фармацевтику, пищевую промышленность, судебную экспертизу и экологию. В книге обсуждаются методы, многие из которых также распространены в биологической аналитической химии и машинном обучении, а также общие инструменты, такие как частичные наименьшие квадраты и анализ главных компонент, а также те, которые редко используются в хемометрии, такие как самоорганизующиеся карты и метод опорных векторов. Книга содержит цветные иллюстрации и описывает валидацию моделей и проверку гипотез, а также мотивацию методов, включая то, как избежать некоторых распространенных ошибок. Релевантна для хемометриков и аналитических ученых в промышленности, академии и правительственных учреждениях, а также для тех, кто занимается применением статистики и вычислительного распознавания образов.
На протяжении последнего десятилетия распознавание образов стало одним из наиболее динамично развивающихся направлений в сфере применения методов математической статистики (численного анализа) (верификации и валидации результатов исследований в аналитической химии) для интерпретации полученных данных: химических и биомедицинских. Этому поспособствовали возрастание возможностей автоматических приборов, таких как LCMS ( жидкостная хроматография с масс-спектрометрией), GCMS (газовая хроматография - масс-спектроскопия) и ЯМР, и значительное увеличение сферы возможного применения, особенно в области медико-биологических аналитических химических измерений составов объектов, окружающих нас, материалов, исследуемых в различных областях исследований, а также лекарственных препаратов и пищевых продуктов. Применение современных методов и возможность проведения обработки сравнительно большого объема данных при увеличении производительности рабочего процесса компьютерной техники в том числе, требует соответствующих условий для воспроизведения и обновления базы данных, разработки и научного обоснования решений по интерпретации данных аналитического эксперимента. В рамках представленной книги вы найдете цветные иллюстрации типичных скринов современных программных средств анализа данных, используемых в современных лабораторных испытаниях и проверках на соответствие требованиям ГОСТ Р. При выполнении работ по научном обоснованию и выделению математических правил и алгоритмов эффективной верификации и тестирования будет важно учесть опыт использования методик и структурных адаптаций развития подходов кратчайшего их варианта подготовки требуемой для работы экспериментальной и большой информацией для приведения результатов с достоверными истоками.
Электронная Книга «Chemometrics for Pattern Recognition» написана автором Richard Brereton G. в году.
Минимальный возраст читателя: 0
Язык: Английский
ISBN: 9780470746479
Описание книги от Richard Brereton G.
Over the past decade, pattern recognition has been one of the fastest growth points in chemometrics. This has been catalysed by the increase in capabilities of automated instruments such as LCMS, GCMS, and NMR, to name a few, to obtain large quantities of data, and, in parallel, the significant growth in applications especially in biomedical analytical chemical measurements of extracts from humans and animals, together with the increased capabilities of desktop computing. The interpretation of such multivariate datasets has required the application and development of new chemometric techniques such as pattern recognition, the focus of this work. Included within the text are: ‘Real world’ pattern recognition case studies from a wide variety of sources including biology, medicine, materials, pharmaceuticals, food, forensics and environmental science; Discussions of methods, many of which are also common in biology, biological analytical chemistry and machine learning; Common tools such as Partial Least Squares and Principal Components Analysis, as well as those that are rarely used in chemometrics such as Self Organising Maps and Support Vector Machines; Representation in full colour; Validation of models and hypothesis testing, and the underlying motivation of the methods, including how to avoid some common pitfalls. Relevant to active chemometricians and analytical scientists in industry, academia and government establishments as well as those involved in applying statistics and computational pattern recognition.
