Podsum owanie

pozyskanie inform acji na tem at badanego zjaw iska, która to inform acja m ogłaby oka­

zać się trudna lub w ręcz niem ożliw a do uzyskania z zastosow aniem niejednokrotnie tradnych do analizy m etod konw encjonalnych. O dnosi się to zw łaszcza do przypadku, gdy jednocześnie oznacza się kilkadziesiąt param etrów , w ykonując analizę setek lub więcej próbek. W ów czas m etody eksploracji tak dużych zbiorów danych są ju ż nie tylko w ygodnym , ale i niezbędnym , jedynym narzędziem um ożliw iającym poznanie istoty badanego problem u. W pracy przedstaw iono zarów no sposoby organizacji pro­

wadzonych pom iarów w postaci m acierzy bądź tablic w ielom odalnych, ja k i scharak- teryzowano podstaw ow e pojęcia chem om etryczne, co pozw oliło płynnie przejść do om ówienia m etod badania struktuiy danych, dzieląc je na m etody uczenia bez nadzoru i m etody uczenia z nadzorem . O m ów iono podstaw y teoretyczne klasycznej m etody analizy czynników głów nych (PC A ) oraz analizy skupień, uzupełnionej o kolorow ą mapę danych dośw iadczalnych w celu bardziej w nikliw ej analizy zależności w ystępu­

jących w danych, um ożliw iającej śledzenie podobieństw m iędzy badanym i próbkam i w przestrzeni m ierzonych param etrów i param etrów w przestrzeni próbek. D użo uw a­

gi pośw ięcono zastosow aniu analizy w ielom odalnej w opracow aniu danych ekspery­

mentalnych, co je s t szczególnie istotne w przypadku pom iarów , w których śledzi się zmiany poszczególnych param etrów w czasie. Przedstaw iono podstaw y teoretyczne stosowanych w analizie w ielom odalnej m etod, takich ja k m etoda TUCKER3 i m etoda PARAFAC. O m ów iono rów nież przypadki, gdy kom presja danych z użyciem kla­

sycznej m etody PC A je s t nieefektyw na z uw agi na w ystępow anie nieliniow ych kore­

lacji zm iennych, co z kolei pozw ala przezw yciężyć, przedstaw iona w opracow aniu, nieliniow a m etoda analizy czynników głów nych w ykorzystująca działanie sieci neuronowych. O bszerna część teoretyczna zw iązana z m etodam i eksploracji i m ode­

lowania dużych zbiorów danych kończy się przedstaw ieniem w ielu przykładów prak­

tycznego zastosow ania om ów ionych m etod do opracow ania danych z obszaru nauk górniczych. Z aprezentow ano rów nież m etody kalibracyjne, stanow iące grupę m etod uczenia z nadzorem , które pozw alają na ilościow y opis zależności m iędzy m ierzonym i parametrami. P odobnie ja k w przypadku m etod uczenia bez nadzoru, część teoretycz­

ną dotyczącą m etod kalibracyjnych uzupełniono licznym i przykładam i ich zastosow a­

nia do danych górniczych. W publikacji przedstaw iono rów nież typow e problem y, jakie spotyka się podczas opracow yw ania dużych zbiorów danych, dotyczące w ystę­

powania w nich brakujących elem entów i obiektów odległych. Zaprezentow ano teorię dotyczącą zasady działania iteracyjnej procedury EM , która w połączeniu z klasycz­

nymi m etodam i badania struktury danych um ożliw ia konstrukcję popraw nych m odeli dla danych zaw ierających brakujące elem enty. Przedstaw iono stosow ane w chem om

e-trii m etody przezw yciężania problem u obiektów odległych (np. błędnych pomiarów) w ystępujących w danych. Z aprezentow ano podstaw y teoretyczne tzw. m etod stabil­

nych, um ożliw iających konstrukcję popraw nych m odeli dla w iększości dobiych da­

nych. Zw rócono uw agę na problem jednoczesnego w ystępow ania w danych eksperym entalnych brakujących elem entów i obiektów odległych oraz zaprezentow a­

no procedurę postępow ania z tego typu danym i. P rzedstaw iono przykład opracowania niekom pletnych danych, w których dodatkow o w ystępują obiekty odległe.

W m onografii zw rócono także uw agę na fakt, że prow adzenie badań w ym aga od badacza nie tylko dobrego opanow ania obsługi aparatury badaw czej i rzetelnego w ykonania pom iarów , ale rów nież, a m oże przede w szystkim , w iedzy na temat popraw nego zaplanow ania eksperym entu. B rak odpow iedniego planu ekspeiym entu m oże nie tylko prow adzić do grom adzenia niepotrzebnych danych, ale przede wszyst­

kim w prow adzać dodatkow y szum, prow adzący do w yciągnięcia błędnych wniosków.

D latego też w skazano etap planow ania eksperym entu, ja k o integralną część każdego procesu badaw czego, niezależnie od dziedziny prow adzonych prac badawczych.

W opracow aniu przedstaw iono konstrukcję planów eksperym entu, ze szczególnym uw zględnieniem w arunków optym alności planów eksperym entu. Zaprezentowano sposób konstrukcji planów dw u-, trzy- i w ielopoziom ow ych, w zależności od złożono­

ści badanego procesu.

LITERATURA

9. B ishop C.M ., Svensen M ., W illiam s C .K .I. (1996a): EM O ptim ization o f L atent-V ariable three-dim ensional excitation em ission fluorescent spectra: C om parative results w ith H PL C . T alanta V ol. 71, s. 1703-1709.

16. B ran d t S. (1998): A naliza danych. W arszaw a, W ydaw . N aukow e PW N .

17. B ro R. (1998): M ulti-w ay A nalysis in th e Food Industry. M odels, A lgorithm s, and A p p li­

cations (Praca doktorska). R oyal V eterinary and A gricultural U niversity (Dania).

18. B urdick D.S. (1995): A n introduction to te n so r products w ith applications to m ultiw ay data analysis. C hem om etrics and In telligent L aboratory System s V ol. 28, s. 2 2 9 -2 3 7 . 19. B urges C .J.C . (1998): A tutorial on support vecto r m achines for pattern recognition. D ata

M ining K now ledge D iscov. V ol. 2, s. 121-167.

20. B urkholder T.J., L ieber R .L. (1996): S tepw ise regression in an alternative to splines for

41. D aszykow ski M ., V ander H eyden Y ., W alczak B. (2007): R obust partial least squares derivatives in relation to structural param eters and biological activity. D rug D evelopm ent and Industrial P harm acy V ol. 36(8), s. 9 5 4 -9 6 1 .

49. D re in e rt B., M ajew sk i W . (1984): B adanie w pływ u czynników natury' górniczo-geolo­

gicznej oraz techniczno-organizacyjnej n a kształtow anie się w ydajności w przodkach chodnikow ych. P race G IG . K atow ice, G łów ny Instytut G órnictw a.

50. D urante C., B ro R., C occhi M. (2011): A classification tool for N -w ay array b ased on S1MCA methodology. Chem om etrics and Intelligent Laboratory System s Vol. 106, s. 73-85.

51. E l-H am es A .S., H annachi A ., A l-A hm adi M ., A l-A m ri N . (2013): G roundw ater Q uality

58. Geladi P. (1989): Analysis of Multi-Way (Multi-mode) Data. Chemometrics and Intelli­

gent Laboratory Systems Vol. 7, s. 11-30.

59. G em perline P.J., M iller K.H ., W est T.L., W einstein J.E., H am ilton J.C., B ray J.T. (1992):

62. G liszczyński G. (1998): E fektyw nościow e konsekw encje rozw iązań strukturalnych w sferze organizacyjnej w kopalniach w ęg la kam iennego. W iadom ości G órnicze n r 6.

78. H ow aniec N ., Sm oliński A. (2013): Steam co-gasification o f coal and biom ass — synergy p onents w ith applications to chem om etrics. C hem om etrics and Intelligent L aboratory Sys­

tem s V ol. 60, s. 101-111.

100. K oronacki J., Ć w ik J. (2005): S tatystyczne system y uczące się. W arszaw a, W ydaw . Nau­

119. L eurgans S., R oss R.T. (1992): M ultilinear m odels in spectroscopy. S tatistical Science U sing Principal C om ponent Analysis. W ater Quality, Exposure and H ealth Vol. 4, s. 93-104.

130. M alinow ski E.R. (1988): Statistical F -tests for abstract factor analysis and target testing.

! 40. M ohan V .P.C ., T alukdar P. (2013): D esign o f an experim ental set up for convective

59. R ipley B.D . (1996): P attern recognition and neural netw orks. C am bridge, C am bridge principal com ponent analysis. C om putational Statistics Vol. 27, s. 8 3-102.

70. S chneider H ., B arker G .P. (1968): M atrices and L inear A lgebra (reprinted 1989, D over

182. S m oliński A ., H ow aniec N. (2013): A pplication o f gas chrom atography in th e study of

A cta C h rom atographica D O I:10.1556/A C hrom .27.2015.2.3.

190. S m oliński A ., Z ołotajkin M ., C iba J., D ydo P., K luczka J. (2009): R obust PLS Regression environm ental d ata obtained from sequential extraction procedure. C hem om etrics and In­

tellig en t L aboratory System s V ol. 96, s. 2 0 3 -2 0 9 .

195. S tatS oft E lectronic Statistics T extbook (2013): D rzew a klasyfikacyjne i regresyjne:

http://w w w .statsoft.pl/textbook/stathom e_stat.htm l?http% 3A % 2F % 2F w w w .statsoft.pl% 2 F textbook% 2F stcart.htm l (dostęp: 14.08.2013).

200. T hissen U ., Pepers M ., U stun B., M eissen W .J., B uydens L.M .C . (2004): C om paring

221. W alczak B. (2001a): D ealing w ith m issing data. P art 1: C h em om etrics and Intelligent Indirect O bservation, C au sality-S tructure-P rediction. A m sterdam , N o rth H olland.

232. W old S., M artens H ., W old H. (1983): The m ultivariate calibration problem in chemistry

Generowanie i gromadzenie dużych ilości danych wymaga odpow iedniego podejścia w celu pełnego wykorzystania zawartych w nich informacji. Wiąże się to z zastosowaniem i ro zw ija n ie m narzędzi in fo rm a tyczn o -m a te m a tyczn ych , które z jednej strony umożliwią dogłębną analizę struktury w ie lo w y m ia ro w y c h danych, a z d ru g ie j - pozw olą na konstrukcję uniwersalnych m odeli, charakteryzujących się dużą z d o ln o ś c ią p ro g n o s ty c z n ą dla n o w y c h d a n ych . Dziedziną nauki zajmującą się ekstrakcją użytecznej inform acji z w ielow ym iarow ych danych z zastosowaniem statystyki i metod numerycznych, jest chem om etria, która z uwagi na swoją uniwersalność może służyć do opracowywania danych z różnych dziedzin nauki i techniki.

N in ie js z e o p ra c o w a n ie s ta n o w i k o m p e n d iu m m e to d wykorzystywanych do efektywnego opracowywania danych z obszaru nauk górniczych. Zwrócono uwagę na fakt, że oprócz dobrego opanowania obsługi aparatury badawczej, kluczowy w prowadzeniu badań jest poprawnie zaplanowany e k s p e r y m e n t , c z e m u p o ś w ię c o n o s p o r o u w a g i.

K o m p e n d iu m w ie d z y na te m a t s to s o w a n ia m e to d c h e m o m e try c z n y c h do e fe k ty w n e g o o p ra c o w y w a n ia i m odelow ania danych eksperym entalnych, obejm ujące p o d s ta w y te o re ty c z n e dotyczą ce stoso w a n ych m e to d c h e m o m e try c z n y c h w ra z z lic z n y m i p rz y k ła d a m i ich zastosow ania, je s t ważne i przydatne, szczególnie dla Czytelnika mającego małe doświadczenie w pracy z tego typu metodami.