Vorlesung: Statistische Mustererkennung in DNA-Sequenzen (Vorlesung Fr 10:30-12:00) - Details

Allgemeine Informationen

Veranstaltungsname	Vorlesung: Statistische Mustererkennung in DNA-Sequenzen (Vorlesung Fr 10:30-12:00)
Semester	WS 2020/21
Aktuelle Anzahl der Teilnehmenden	9
Heimat-Einrichtung	Leitung des Instituts für Informatik
beteiligte Einrichtungen	Bioinformatik
Veranstaltungstyp	Vorlesung in der Kategorie Offizielle Lehrveranstaltungen
Erster Termin	Freitag, 06.11.2020 10:30 - 12:00, Ort: Seminarraum 1.03 [VSP 1] (Informatik)
Voraussetzungen	Statistische Datenanalyse in der Bioinformatik II
Leistungsnachweis	Scheinerwerb durch aktive Teilnahme an den Übungen und Lösung der Aufgaben
Studiengänge (für)	Master Bioinformatik, Master Informatik, Master Nutzpflanzenforschung
SWS	2

Lehrende

• Prof. Dr. Ivo Grosse
• Dr. rer. nat. Christian Günther

Räume und Zeiten

Seminarraum 1.03 [VSP 1] (Informatik)

Freitag: 10:30 - 12:00, wöchentlich (14x)

Studienbereiche

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

Modulzuordnungen

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

Kommentar/Beschreibung

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.