Introduzione alla tematica

Il corso è strutturato in 5 lezioni:

1) Introduzione alla foodomica e alla chemiometria, intesa come applicazione della statistica a problemi chimici, in questo caso in ambito alimentare.

2) Definizione e calcoli base legati alle matrici dati. Illustrazione delle più comuni metodologie di pre-processing dei dati, usate per rimuovere errori sistematici di misura, errori dovuti alla differente scala delle variabili e/o alla diversa unità di misura.

3) Introduzione alle analisi esplorative dei dati. In particolare vengono analizzate la Cluster Analysis (sia di tipo gerarchico che di tipo non gerarchico) spesso abbinata alla Heatmap, strumento che converte i codici numerici in un codice colore, e la Principal Component Analysis, lo strumento chemiometrico più utilizzato, della quale viene spiegato il modello geometrico e l’interpretazione dei vari output che l’analisi genera. Pro e contro dei due tipi di analisi vengono valutati, anche in relazione ad un caso studio preso a modello.

4) Illustrazione dei principali metodi supervisionati, tra i quali si possono distinguere metodi di classificazione e regressione, metodi di class modelling e di discriminazione, parametrici e non parametrici. In particolare vengono analizzati, in termini di principio teorico e di pro e contro, i seguenti metodi di classificazione: Linear discriminant analysis, k-Nearest Neighbor, Classification And Regression Tree, Soft Independent Modeling of Class Analogy; e i seguenti metodi di regressione: Principal Component Regression e Partial Least Square Regression.

5) Spiegazione dei principali metodi per la validazione di un modello classificativo/predittivo e dei principali indicatori di qualità di un modello, necessari per valutarne la performance. Infine, una rapida rassegna dei più frequenti software utilizzati per l’utilizzo di strumenti di analisi chemiometrica di tipo multivariato.

Descrizione del corso

In questo corso avrai la possibilità di approfondire tecniche e metodi di analisi dati avanzata, studiando le correlazioni tra diverse variabili e il loro contributo nella definizione di un fenomeno.

Potrai imparare come estrarre informazioni di qualità da dati derivanti da un’analisi, ma anche da dati di diversa natura: semplicemente ogni volta che hai più variabili o fattori ad influenzare un risultato finale puoi analizzare questo insieme di dati utilizzando l’analisi multivariata.

Hai analizzato la composizione chimica di caffè prodotti utilizzando diverse varietà e vuoi capire quali composti permettano di discriminare le diverse varietà? Hai analizzato i dati di vendita della tua azienda agricola e cerchi una correlazione tra diversi prodotti per capire se alcuni di essi vengano preferibilmente comprati in abbinamento ad altri per migliorarne l’esposizione in negozio? In questi e tanti altri casi l’analisi multivariata ti può essere d’aiuto.

Biografia del docente

Laureato in chimica e tecnologie farmaceutiche e dottore di ricerca in chimica degli alimenti. Autore di 17 articoli scientifici peer-reviewed (12 dei quali a primo nome), ho partecipato a numerosi congressi internazionali con 4 presentazioni orali e 9 presentazioni di poster, vincendo un premio per il miglior poster.

Appassionato al tema della sostenibilità, alimentare e ambientale, e della nutrizione.