Schulungs - Auswahl




	
	

		


			

				
Solo Chemometrie

			

			

				
											Eigenvector
									

							


		

	

	
	

		

			
			

				

					

						

															
							
							

															

									


										
										0

										
										

										

											
 

											
Gesamtsumme

										

                                  																				
									


									

									

										

																					


									

								

								

										
	

		Produkt anfragen
	

	











								

								
								
								
													
						

					

					
				

									

						
Solo bietet Wissenschaftlern und Ingenieuren eine Vielzahl
von Point-and-Click-Tools für die Datenanalyse, darunter PLS, PCA und viele
andere multivariate und maschinelle Lernmethoden. Es enthält die wichtigsten
grafischen Benutzeroberflächen der PLS-Toolbox,
aber MATLAB ist nicht erforderlich! Importieren Sie Daten aus einer Vielzahl
unterschiedlicher Dateitypen und fügen Sie sie schnell zu praktischen
DataSet-Objekten zusammen, um Beschriftungen, Achsenskalen und Klassen einfach
zu verwalten. Mit nur einem Klick können Sie Daten in die Analyse einbeziehen
oder davon ausschließen. Ziehen Sie Daten per Drag-and-Drop in unser
umfassendes Analysefenster, um die Ergebnisse zu modellieren und zu
analysieren. Unser integrierter Modellierungsleitfaden und der Zugriff auf eine
große Anzahl von Analyse- und Vorverarbeitungstechniken machen diese grafische
Benutzeroberflächenumgebung für Anfänger und Experten gleichermaßen geeignet.



 



Solo bietet die grafischen Schnittstellen, um Daten schnell
zu verwalten und zu analysieren, Modelle zu erstellen und anzuwenden sowie Ergebnisse zu interpretieren.



 



DIE WICHTIGSTEN METHODEN:



  • Datenexploration und Mustererkennung (Principal Components
Analysis (PCA), Parallele Faktorenanalyse (PARAFAC), Multiway PCA...)
  • Klassifizierung
(SIMCA, k-nearest neighbors, Partial Least Squares Discriminant Analysis
(PLS-DA), Support Vector Machine Classification (SVM-DA), Artificial Neural
Network Classification (ANN-DA), Boosted Regression and Classification Trees
(XGBoost), Clustering (HCA)...)
  • Lineare und
nichtlineare Regression (Partial Least Squares (PLS), Principal Components
Regression (PCR), Multiple Linear Regression (MLR), Classical Least Squares
(CLS), Support Vector Machine Regression (SVM), Artificial Neural Networks
(ANN), Boosted Regression and Classification Trees (XGBoost), N-way PLS,
Locally Weighted Regression...)
  • Selbstmodellierende Kurvenauflösung, Methoden für reine
Variablen (Multivariate Kurvenauflösung (MCR), Reinheit (vergleiche SIMPLSMA),
CODA_DW, CompareLCMS...)
  • Kurvenanpassung und Verteilungsanpassung und Analysetools













  • Instrumentenstandardisierung (Schrittweise/Stückweise, OSC,
Vorverarbeitung mit verallgemeinerten kleinsten Quadraten, spektrale
Unterraumtransformation (SST)...)
  • Erweiterte grafische Werkzeuge zur Bearbeitung und
Visualisierung von Datensätzen
  • Erweiterte anpassbare auftragsspezifische Vorverarbeitung
(Zentrierung, Skalierung, Glättung, Derivatisierung, Transformationen,
Baselining...)
  • Unterstützung für fehlende Daten (SVD und NIPALS)
  • Variablenauswahl (Genetische Algorithmen, IPLS,
Selektivität, VIP...)















 



SYSTEMVORAUSSETZUNGEN



MAC OSX (Intel), Linux, Windows XP, VISTA, Win7, Win8, oder
Win10. 250 MB Festplattenspeicher und ein empfohlenes Minimum von 500 MB RAM
(mehr kann für einige Daten erforderlich sein) und ein Minimum von
16-Bit-Farbgrafiken sind ebenfalls erforderlich.