Data-Analyse & Spectroscopie

Course goals

Na het volgen van deze cursus kun je:

Theorie Spectroscopie
• Optische eigenschappen chromoforen begrijpen en vertalen naar toepassingen in gekleurde  en lichtgevende materialen en uitleggen wat fluorescentie en fosforescentie zijn
• De theoretische achtergrond en praktische betekenis van het Franck-Condon principe uitleggen
• Heb je inzicht in laserwerking en toepassingen van lasers en van luminescerende materialen in verlichting, beeldschermen en medische beeldvorming.

Practicum Spectroscopie
• Op kleine (mMol) tot zeer kleine schaal (µMol) organische syntheses uitvoeren.
• Zelf analyses uitvoeren met UV/Vis, Fluorescentie en IR apparatuur.
• Met behulp van NMR, MS, IR, UV/VIS spectra de structuur ophelderen van een onbekende verbinding 
• Een redenering op papier zetten waarmee je de structuur van een onbekende stof “bewijst”.

Data Analyse
• Begrijp de numerieke algoritmen die nodig zijn (1) om een ​​wiskundig model te bouwen op basis van experimentele data of (2) om voorspellingen te doen op basis van een model.
• Gebruik kansverdelingen (bijv. Poissoniaans, Gaussisch) voor de analyse van spectroscopische data.
• Pas Fouriertransformatie toe bij de analyse van spectroscopische data.
• Begrijp de voordelen en de wiskundige basisprincipes van machine learning met neurale netwerken.
• Praktische implementatie van methodes en algoritmes met behulp van Python en (grote hoeveelheden) data.

Content

Deze cursus kan gezien worden als een inhoudelijk logisch vervolg op de eerdere 1ejaars cursussen van scheikunde in periode 1 & 2: Organische Chemie & Spectroscopie (SK-BORSP), Fysische & Anorganische Chemie (SK-BFYAN13) en Wis- & Natuurkunde 1 & 2 (SK-BWSNK1 & 2)

Analyse van (grote hoeveelheden) data wordt steeds belangrijker in de wetenschap. Studenten hebben kennis en wiskundige achtergrond nodig in analyse-algoritmen, modellen, statistiek, datavisualisatie en machine learning. Deze cursus behandelt deze concepten en past ze toe op chemiespecifieke data die worden gebruikt in spectroscopie en analytische chemie. De inhoud sluit aan bij de organische chemie, fysische chemie en spectroscopie en beoogt een verdieping van deze vakgebieden en uitbreiding naar het vakgebied van de analytische chemie.
Dit vak is een goede voorbereiding op de cursus Wiskunde, Data & Moleculair Modelleren (SK-B2WDMM)

De cursus is opgebouwd uit de volgende onderdelen: 
• Colleges en Toetsing theorie Spectroscopie
• Practicum spectroscopie 
• Colleges en Computerpractica Data Analyse 

Toelichting bij de onderdelen:

Theorie Spectroscopie 
Bij het college Spectroscopie wordt voortgebouwd op de NMR- en vibratiespectroscopie uit periode 1. Je leert in de eerste drie colleges (voor Scheikunde en MLS) de theorie van UV/VIS spectroscopie aan de hand van de spectroscopische eigenschappen van bekende chromoforen (overgangsmetalen, organische moleculen). Hiermee kun je kleuren en optische eigenschappen van deze chromoforen begrijpen. Deze worden geïllustreerd met voorbeelden uit de natuur. De laatste twee colleges zijn alleen voor Scheikundestudenten en behandelen de optische eigenschappen en toepassingen van lanthanide-ionen, laserwerking en toepassingen van lasers.

Practicum spectroscopie: 
Bij dit practicum maak je binnen een realistische onderzoekscontext op kleine schaal een onbekende verbinding. De laboratoriumvaardigheden focussen derhalve op het werken met kleine hoeveelheden stof. Elke student krijgt zijn eigen unieke experiment en het practicum heeft een hoog “structuurpuzzel” gehalte. De structuur van deze onbekende verbinding moet vervolgens met de spectroscopische technieken UV/Vis, IR, NMR, MS worden opgehelderd. Het accent bij de structuuranalyse ligt niet op de structuur zelf, maar op de schriftelijke beargumentering van het eigen structuurvoorstel. In het verplichte introcollege worden de experimenten en werkwijze toegelicht en wordt ook de voor het practicum noodzakelijke nieuwe spectroscopische onderwerpen behandeld op het gebied van NMR en MS. 

Data Analyse
In het onderdeel Data-analyse leren studenten numerieke methoden en algoritmen toepassen om experimentele data te modelleren en te interpreteren. Zij gebruiken kansverdelingen, Fouriertransformatie en basisprincipes van machine learning voor de analyse van spectroscopische data. De nadruk ligt op het begrijpen van de wiskundige achtergrond én de praktische implementatie met Python. Door te werken met (grote) datasets ontwikkelen studenten inzicht in data-gestuurde benaderingen binnen de chemie, wat hen voorbereidt op onderzoek en vervolgcursussen zoals Wiskunde, Data & Moleculair Modelleren.