Multivariate Datenanalyse für die Pharma-, Bio- und Prozessanalytik

Sie haben umfangreiche und komplexe Daten, wie z. B. Prozessdaten oder spektroskopische Daten  – aber nutzen Sie auch das volle Potential dieser Daten?

Mit Hilfe der multivariaten Datenanalyse kann man Zusammenhänge in den Daten erkennen, die bei einer klassischen univariaten Datenauswertung eventuell unentdeckt bleiben.

Dieser Kurs vermittelt auf anschauliche und leicht verständliche Art und Weise die Grundlagen der wichtigsten multivariaten Methoden und richtet sich damit auch an Anwender ohne große mathematische oder statistische Vorkenntnisse. Das Hauptaugenmerk liegt auf der praktischen Nutzung dieser Methoden für die eigene Aufgabenstellung.

Der Kurs gliedert sich in zwei Teile:

• Theorie der multivariaten Datenanalyse
• Anwendung der Methoden anhand von praxisnahen Beispielen

Mit der Hauptkomponentenanalyse (Principal Component Analysis, PCA) erhalten Sie ein Werkzeug zur Datenuntersuchung und zum Datenverständnis (explorative Datenanalyse). Sie lernen, auch große Datenmengen überschaubar darzustellen, Probleme in der Datenqualität zu ermitteln und dabei Ausreißer zu erkennen. Außerdem ermöglicht Ihnen die PCA, Strukturen und deren vielleicht bisher verborgene Ursachen in den Daten zu erkennen. Eine Weiterführung der PCA ist die Modellierung der Daten auf vorgegebene Zielgrößen. Für quantitative Zielgrößen findet hierbei insbesondere die Partial Least Squares Regression (PLS) Verwendung. Qualitative Zielgrößen werden über Klassifizierungsmodelle wie z.B. die Diskriminanzanalyse (Linear Discriminant Analysis, LDA) beschrieben. Sie werden lernen, robuste PLS-Regressionsmodelle sowie LDA-Klassifzierungsmodelle zu erstellen.

Während des Kurses werden viele Beispiele aus unterschiedlichen Anwendungen ausführlich besprochen. Auf Fragen der Teilnehmer zu den Beispielen wird gerne eingegangen. Es werden auch gerne Hinweise gegeben, wie die gezeigten Anwendungen auf eigene Fragestellungen zu übertragen sind.