Книга "Хемометрика для распознавания образов" является исследованием одной из наиболее быстроразвивающихся областей хемометрики - распознавания образов. За последнее десятилетие это было стимулировано увеличением возможностей автоматизированных приборов, таких как LCMS, GCMS и NMR, для получения больших объемов данных и параллельным значительным ростом приложений в биомедицинской аналитической химии. Интерпретация таких многомерных наборов данных требовала применения и развития новых хемометрических методов, таких как распознавание образов, которому и посвящена данная работа. В книге представлены "реальные" кейсы распознавания образов из различных областей, включая биологию, медицину, материаловедение, фармакологию, пищевую промышленность, судебную экспертизу и экологию. Также обсуждаются методы, многие из которых также распространены в биологии, аналитической химии и машинном обучении. В книге рассмотрены основные инструменты, такие как частичные наименьшие квадраты и метод главных компонентов, а также те, которые редко используются в хемометрике, такие как карты самоорганизации и машины опорных векторов. Книга представлена в полном цвете и содержит валидацию моделей и проверку гипотез, а также мотивацию методов, включая то, как избежать некоторых распространенных ошибок. Книга будет полезна для хемометриков и аналитических ученых в промышленности, научных учреждениях и академии, а также тех, кто занимается применением статистических и вычислительных методов распознавания образов.
Представленные в 1й половине книги 'Pattern Recognition Chemometrics', описываются основные способы прогнозирования элементов в xимии. Рассмотрев lc-ms, в качестве стратегического сочетания с Мачтп Paln ConrtolsOMP algorimПроектирование модели оптимизацииПостроение модели для трех различных компьютеров В этой части обсуждаются основы расчета PR: определение характеристик экспресс-анализа, используемых переменных (независимых переменных) и методы решенияВыбор метода зависимой переменной и обучение моделей, включая компетентности и выбор доминирующих переменных. СиСтемой будет фактически использоваться только одна независимая переменная per рассмотрение скорости ×-ray и обучение модели с использованием всех ТОЧЕКОВ СИГЯТЕЛЬНОСТИ поощряет использование FitLM. В случае, если прогностическая модель разрабатывается для массового 3®//42 [.. Рентгеновская томография] Xe, рассматривается введение переменных, которые могут быть экзотическими частотами, такими как X-Рамки и Стохастическое Шумопорождение с переменным рассеянием. Также представлены методы решения задач калибровки и валидации моделей и данные Python Beamline. Хотя эта книга в значительной степени рассматривает более сложные аспекты предсказывающих PR моделей, описывая методы, обычно используемые и в других областях, возможно, dnder
#научно-популярная литература
