Durée
15h Th, 10h Pr
Nombre de crédits
| Master en sciences chimiques, à finalité | 3 crédits |
Enseignant
Langue(s) de l'unité d'enseignement
Langue anglaise
Organisation et évaluation
Enseignement au premier quadrimestre, examen en janvier
Horaire
Unités d'enseignement prérequises et corequises
Les unités prérequises ou corequises sont présentées au sein de chaque programme
Contenus de l'unité d'enseignement
Ce cours vise à initier les étudiants aux méthodes de traitement de données utilisées en chimie analytique. Le cours se focalise spécifiquement sur les méthodes d'optimisation, de modélisation, de visualisation et de réduction de données à haute dimensionnalité. Le cours couvrira les aspects théoriques et pratiques de chacune des méthodes au travers d'une approche de classe inversée combiné à un projet. Les étudiants seront invités à se documenter sur les différentes méthodes avant de les appliquer en classe sur la plateforme MetaboAnalyst. Cette plateforme permet d'appréhender les outils de traitement de données et d'introduire l'utilisation du logiciel R.
Le cours se donne généralement en anglais.
Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement
À la fin du cours, les étudiants seront : * Capables d'expliquer le concept des différentes méthodes vue au cours * Capables d'expliquer les différentes étapes impliquée dans le traitement des données * Capables de sélectionner l'approche adaptée à leur set de données. * Capables de réaliser et d'évaluer les effets du prétraitement des données * De traiter les données à l'aide de méthodes uni- et multivariées en utilisant la plateforme MetaboAnalyst * De communiquer clairement la méthode utilisée et les résultats obtenus
Savoirs et compétences prérequis
Les étudiants doivent maitriser les concepts de base de la chimie analytique et les bases de statistique.
Activités d'apprentissage prévues et méthodes d'enseignement
Le cours est organisé en 5 différents modules d'apprentissage :
1. Introduction et présentation du format du cours
2. Élaboration des projets avec le support de l'équipe enseignante
3. Recherche et discussion sur les différentes techniques (DOE, pre-processing, visualisation, réduction des données, machine learning...)
4. Travaux dirigés sur la plateforme MetaboAnalyst
5. Rédaction du rapport finale (ce rapport peut être associé à la réalisation d'une thèse ou d'un mémoire)
Mode d'enseignement (présentiel, à distance, hybride)
Sur base du format participatif et pratique, le cours se déroule en présentiel uniquement.
Dans le cas de mesures restrictives lièes au COVID-19, l'enseignement se fera à distance.
Lectures recommandées ou obligatoires et notes de cours
Les notes de cours seront partagées avec les étudiants avant chaque séance de cours.
En fonction des sujets choisis, des lectures recommandées seront mise à disposition des étudiants. Ces lectures sont extrêmement importante dû au format inversé du cours.
Modalités d'évaluation et critères
L'examen consiste à la réalisation d'un rapport de projet basé sur des données générées par l'étudiant ou fournies par l'enseignant.
L'examen sera axé sur la maitrise des méthodes statistiques et sur l'emploi d'une communication efficace.
Modalités spéciales COVID-19
Au vu du format de l'évaluation, les modalités ne changeront pas si la situation COVID (code couleur) venait à changer.
Stage(s)
NA.
Remarques organisationnelles et modifications principales apportées au cours
Le cours s'organise en module de 1/2 journée en fonction des disponibilités des différents des étudiants et des intervenants.
Les étudiants sont invités à contacter le titulaire en début de quadrimestre pour établir le planning.
Contacts
Pierre-Hugues Stefanuto: phstefanuto@uliege.be