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

Allgemeine Informationen

Veranstaltungsname	Übung: Statistische Mustererkennung in DNA-Sequenzen (Übung)
Semester	WS 2018/19
Aktuelle Anzahl der Teilnehmenden	4
Heimat-Einrichtung	Leitung des Instituts für Informatik
beteiligte Einrichtungen	Bioinformatik
Veranstaltungstyp	Übung in der Kategorie Offizielle Lehrveranstaltungen
Erster Termin	Freitag, 19.10.2018 12:15 - 13:45
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
• Lasse Moritz Feldhahn

Räume und Zeiten

Seminarraum 1.03 [VSP 1] (Informatik)

Mittwoch: 14:15 - 15:45, wöchentlich (5x)

Freitag, 18.01.2019 12:15 - 13:45

Keine Raumangabe

Mittwoch: 14:15 - 15:45, wöchentlich

(Raum 2.25 VSP 1)

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

Kolloquium 5.09 [VSP 1]

Donnerstag, 17.01.2019 10:15 - 11:45

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 3: Übung (Übung)
• Informatik InformatikMA120, Akkreditierungsfassung (WS 2006/07 - SS 2013) > Primärmodule > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, gültig ab 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, gültig ab 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, gültig ab WS 2006/07 > LV 3: Übung (Übung)
• 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 3: Übung (Übung)
• 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 3: Übung (Übung)
• Bioinformatik BioinformatikMA120, Akkreditierungsfassung (WS 2009/10 - SS 2016) > Bioinformatik > INF.02853.07 - Statistische Mustererkennung in DNA-Sequenzen, gültig ab 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, gültig ab 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, gültig ab 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, gültig ab 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, gültig ab WS 2006/07 > LV 3: Übung (Übung)

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.