Exercises: Statistische Mustererkennung in DNA-Sequenzen (Übung) - Details

General information

Course name	Exercises: Statistische Mustererkennung in DNA-Sequenzen (Übung)
Semester	WS 2018/19
Current number of participants	2
Home institute	Leitung des Instituts für Informatik
participating institutes	Bioinformatik
Courses type	Exercises in category Offizielle Lehrveranstaltungen
First date	Friday, 19.10.2018 12:15 - 13:45
Pre-requisites	Statistische Datenanalyse in der Bioinformatik II
Performance record	Scheinerwerb durch aktive Teilnahme an den Übungen und Lösung der Aufgaben
Lehrsprache(n)	Deutsch
Studiengänge (für)	Master Bioinformatik, Master Informatik, Master Nutzpflanzenforschung
SWS	2

Lehrende

• Prof. Dr. Ivo Grosse
• Lasse Moritz Feldhahn

Rooms and times

Seminarraum 1.03 [VSP 1] (Informatik)

Wednesday: 14:15 - 15:45, weekly (5x)

Friday, 18.01.2019 12:15 - 13:45

No room preference

Wednesday: 14:15 - 15:45, weekly

(Raum 2.25 VSP 1)

Tuesday, 30.10.2018 12:15 - 13:45
Tuesday, 30.10.2018 14:15 - 15:45

Kolloquium 5.09 [VSP 1]

Thursday, 17.01.2019 10:15 - 11:45

Fields of study

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

Module assignments

• Bioinformatik BioinformatikMA120, Akkreditierungsfassung (WS 2016/17 - WS 2022/23) > Bioinformatik (HI) > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > LV 3: Übung (Übung)
• Informatik InformatikMA120, Akkreditierungsfassung (WS 2006/07 - SS 2013) > Primärmodule > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > LV 3: Übung (Übung)
• Informatik InformatikMA120, Akkreditierungsfassung (WS 2013/14 - SS 2016) > Vertiefende Module der Vertiefungsrichtung `Bioinformatik` > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > LV 3: Übung (Übung)
• Agrarwissenschaft/Landwirtschaft AgrarwissenschaftenMA120, Akkreditierungsfassung (WS 2013/14 - SS 2015) > Wahlmodule Nutzpflanzen > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > LV 3: Übung (Übung)
• Agrarwissenschaft/Landwirtschaft Nutzpflanzenwiss.MA120, Akkreditierungsfassung valid from WS 2018/19 > Wahlpflichtmodule > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > LV 3: Übung (Übung)
• Agrarwissenschaft/Landwirtschaft Nutzpflanzenwiss.MA120, Akkreditierungsfassung (WS 2009/10 - SS 2015) > Wahlpflichtmodule Masterstudiengang ”Nutzpflanzenwissenschaften” > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > LV 3: Übung (Übung)
• Bioinformatik BioinformatikMA120, Akkreditierungsfassung (WS 2009/10 - SS 2016) > Bioinformatik > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > LV 3: Übung (Übung)
• Informatik InformatikMA120, Akkreditierungsfassung (WS 2016/17 - WS 2022/23) > Vertiefende Module der Vertiefungsrichtung `Bioinformatik` > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > LV 3: Übung (Übung)
• Agrarwissenschaft/Landwirtschaft Nutzpflanzenwiss.MA120, Akkreditierungsfassung (WS 2015/16 - SS 2018) > Wahlpflichtmodule > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > LV 3: Übung (Übung)
• Agrarwissenschaft/Landwirtschaft AgrarwissenschaftenMA120, Akkreditierungsfassung (WS 2015/16 - SS 2018) > Wahlmodule Nutzpflanzen > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > LV 3: Übung (Übung)
• Agrarwissenschaft/Landwirtschaft AgrarwissenschaftenMA120, Akkreditierungsfassung (WS 2018/19 - SS 2020) > Wahlmodule Nutzpflanzen > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, valid from WS 2006/07 > LV 3: Übung (Übung)

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.