Lecture: Statistische Mustererkennung in DNA-Sequenzen (Vorlesung) - Details

General information

Course name	Lecture: Statistische Mustererkennung in DNA-Sequenzen (Vorlesung)
Semester	WS 2022/23
Current number of participants	5
Home institute	Leitung des Instituts für Informatik
participating institutes	Bioinformatik
Courses type	Lecture in category Offizielle Lehrveranstaltungen
First date	Monday, 10.10.2022 14:00 - 16:00, Room: Seminarraum 0.04 [VSP 1]
Pre-requisites	Statistische Datenanalyse in der Bioinformatik II
Performance record	Scheinerwerb durch aktive Teilnahme an den Übungen und Lösung der Aufgaben
Studiengänge (für)	Master Bioinformatik, Master Informatik, Master Nutzpflanzenforschung
SWS	2

Lecturers

• Prof. Dr. Ivo Grosse

Rooms and times

Seminarraum 0.04 [VSP 1]

Monday: 14:00 - 16:00, weekly (13x)

Seminarraum 1.16 [VSP 1] (Informatik)

Monday: 14:00 - 16:00, weekly (1x)

Fields of study

• Naturwissenschaftliche Fakultät III - Agrarwiss., Geowiss. und Informatik

Module assignments

• Bioinformatik BioinformatikMA120, Version of accreditation (WS 2016/17 - WS 2022/23) > Bioinformatik (HI) > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > Course 1: Lecture (Vorlesung)
• Informatik InformatikMA120, Version of accreditation (WS 2006/07 - SS 2013) > Primärmodule > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > Course 1: Lecture (Vorlesung)
• Informatik InformatikMA120, Version of accreditation (WS 2013/14 - SS 2016) > Vertiefende Module der Vertiefungsrichtung `Bioinformatik` > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > Course 1: Lecture (Vorlesung)
• Agrarwissenschaft/Landwirtschaft AgrarwissenschaftenMA120, Version of accreditation (WS 2013/14 - SS 2015) > Wahlmodule Nutzpflanzen > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > Course 1: Lecture (Vorlesung)
• Agrarwissenschaft/Landwirtschaft Nutzpflanzenwiss.MA120, Version of accreditation valid from WS 2018/19 > Wahlpflichtmodule > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > Course 1: Lecture (Vorlesung)
• Agrarwissenschaft/Landwirtschaft Nutzpflanzenwiss.MA120, Version of accreditation (WS 2009/10 - SS 2015) > Wahlpflichtmodule Masterstudiengang ”Nutzpflanzenwissenschaften” > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > Course 1: Lecture (Vorlesung)
• Bioinformatik BioinformatikMA120, Version of accreditation (WS 2009/10 - SS 2016) > Bioinformatik > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > Course 1: Lecture (Vorlesung)
• Informatik InformatikMA120, Version of accreditation (WS 2016/17 - WS 2022/23) > Vertiefende Module der Vertiefungsrichtung `Bioinformatik` > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > Course 1: Lecture (Vorlesung)
• Agrarwissenschaft/Landwirtschaft Nutzpflanzenwiss.MA120, Version of accreditation (WS 2015/16 - SS 2018) > Wahlpflichtmodule > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > Course 1: Lecture (Vorlesung)
• Agrarwissenschaft/Landwirtschaft AgrarwissenschaftenMA120, Version of accreditation (WS 2015/16 - SS 2018) > Wahlmodule Nutzpflanzen > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > Course 1: Lecture (Vorlesung)
• Agrarwissenschaft/Landwirtschaft AgrarwissenschaftenMA120, Version of accreditation (WS 2018/19 - SS 2020) > Wahlmodule Nutzpflanzen > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > Course 1: Lecture (Vorlesung)

Comment/Description

In der Vorlesungen werden ausgewählte Probleme der Sequenzanalyse wie z. B. die Erkennung von Spleißstellen oder Transkriptionsfaktorbindungsstellen behandelt. Methodisch werden verschiedene stochastische Modelle wie z. B. PWM-Mischmodelle oder Modelle für cis-regulatorische Module diskutiert. Für diese Modelle werden EM-Algorithmen zum Parameterlernen hergeleitet und auf verschiedene Datensätze angewendet.