Einsatz der statistischen Software R: Grundlagen, Data-Mining und maschinelles Lernen - Seminar / Kurs von Gesellschaft Deutscher Chemiker e.V. (GDCh)

Im I. Teil wird eine Einführung in R gegeben. Die Teilnehmer werden in die Lage versetzt, Zielvariablenoptimierungen (z.B. Produktausbeute) in Abhängigkeit kategorialer (z.B. Produktionsverfahren) und quantitativer Variablen (z.B. Temperatur) und Signifikanztests (z.B. Reinheitsvergleich) durchzuführen und chemometrische Verfahren anzuwenden. R wird eingesetzt für: Deskriptive und inferentielle Statistik (u.a. klassische Tests, Varianzanalyse) Explorative Statistik (u.a. statistische Modellierung und Regressionen) Chemometrie (u.a. Hauptkomponentenanalyse und Partial Least Squares-Regression) Im II. Teil werden der Einsatz von R in Data-Mining-Verfahren und maschinellem Lernen anhand von Fallbeispielen vermittelt. Behandelt werden Klassifikations- und Regressionsprobleme bei unüberwachtem und überwachtem Lernen. Vorgestellte Methoden sind: Cluster- und Faktorenanalysen Random Forest und Support Vector Machine-Klassifikationen und Regressionen Neuronale Netze

In vielen chemischen Bereichen in Forschung und Produktion werden Daten erhoben – u.a. für Qualitätskontrollen, Produktionsoptimierungen, Verkaufsprognosen und Mustererkennungen für Automatisierungen. Im Rahmen des Industrie 4.0-Konzepts ist zudem ein Verständnis künstlicher Intelligenz und damit von Data-Mining-Verfahren und maschinellem Lernen bedeutsam – u.a. für Optimierungen vernetzter Produktionssysteme. Ziel der Veranstaltung ist es, dass die Teilnehmer Auswertungen mit der mächtigen und freien statistischen Software R erlernen, die ein breites Methodenspektrum für Auswertungen bietet.

Die Veranstaltung richtet sich an Chemiker, Pharmazeuten, Chemie-Ingenieure und chemisch-technische Mitarbeiter – in Industrie und Hochschule – die an der Datenauswertung beteiligt sind, ausgehend von klassischen Signifikanztests (z.B. Einsatz von R für den Vergleich verschiedener Produktchargen mithilfe von Signifikanztests) über Standard-Regressionen und Varianzanalysen (z.B. Ausbeutenmaximierung) zu neueren Verfahren des Data-Mining und maschinellen Lernens (z.B. für verbesserte Mustererkennungen und Regressionen bei multivariaten Datensätzen).