MLU
INF.06267.03 - Statistische Datenanalyse und Maschinelles Lernen in der Bioinformatik I (Complete module description)
Original version English
INF.06267.03 5 CP
Module label Statistische Datenanalyse und Maschinelles Lernen in der Bioinformatik I
Module code INF.06267.03
Semester of first implementation
Faculty/Institute Institut für Informatik
Module used in courses of study / semesters
  • Agrarwissenschaften (MA120 LP) (Master) > Agrarwissenschaft/Landwirtschaft AgrarwissenschaftenMA120, Version of accreditation (WS 2015/16 - SS 2018) > Wahlmodule Nutzpflanzen
  • Agrarwissenschaften (MA120 LP) (Master) > Agrarwissenschaft/Landwirtschaft AgrarwissenschaftenMA120, Version of accreditation (WS 2018/19 - SS 2020) > Wahlmodule Nutzpflanzen
  • Bioinformatik (180 LP) (Bachelor) > Bioinformatik Bioinformatik180, Version of accreditation (WS 2016/17 - SS 2018) > Pflichtmodule
  • Bioinformatik (180 LP) (Bachelor) > Bioinformatik Bioinformatik180, Version of accreditation (WS 2018/19 - WS 2022/23) > Pflichtmodule
  • Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Version of accreditation (WS 2016/17 - WS 2022/23) > Brückenmodule Informatik
  • Informatik (180 LP) (Bachelor) > Informatik Informatik180, Version of accreditation (WS 2016/17 - SS 2018) > Bereich Bioinformatik
  • Informatik (180 LP) (Bachelor) > Informatik Informatik180, Version of accreditation (WS 2018/19 - WS 2022/23) > Bereich Bioinformatik
  • Nutzpflanzenwissenschaften (MA120 LP) (Master) > Agrarwissenschaft/Landwirtschaft Nutzpflanzenwiss.MA120, Version of accreditation valid from WS 2018/19 > Wahlpflichtmodule
  • Nutzpflanzenwissenschaften (MA120 LP) (Master) > Agrarwissenschaft/Landwirtschaft Nutzpflanzenwiss.MA120, Version of accreditation (WS 2015/16 - SS 2018) > Wahlpflichtmodule
Responsible person for this module
Further responsible persons
Prof. Dr. Ivo Große
Prerequisites
  • Modul Diskrete Strukturen, lineare Algebra und Analysis (Studienleistung)
  • Modul Einführung in Data Science (Studienleistung)
Skills to be acquired in this module
  • Die Studierenden verstehen grundlegende Konzepte und Algorithmen der Statistische Datenanalyse und des Maschinelles Lernens in der Bioinformatik.
  • Sie besitzen die Fähigkeit, diese Konzepte und Algorithmen auf konkrete Problemstellungen der Statistische Datenanalyse und des Maschinelles Lernens in der Bioinformatik anzuwenden.
  • Sie sind in der Lage, diese Konzepte und Algorithmen zukünftigen Kooperationspartnerinnen und Kooperationspartnern zu erklären.
Module contents
  • Zufallsvariablen und univariate Verteilungsfunktionen
  • Zufallsvektoren und multivariate Verteilungsfunktionen, Unabhängigkeit, bedingte Unabhängigkeit, Unkorreliertheit, bedingte Unkorreliertheit
  • Zufallsmatrizen und matrixvariate Verteilungsfunktionen
  • Statistische Modelle, Markovmodelle, Autoregressive Modelle
  • Parameterschätzung, Momentenmethode, Maximum-Likelihood-Methode
  • Prüfung von Hypothesen, Chi-Quadrat-Test, Gauß-Test, t-Test, Kolmogorow-Smirnow-Test
  • Modellselektion, Akaike-Informationskriterium, Bayessches Informationskriterium
Forms of instruction Lecture (2 SWS)
Course
Exercises (2 SWS)
Course
Languages of instruction German, English
Duration (semesters) 1 Semester Semester
Module frequency jedes Wintersemester
Module capacity unlimited
Time of examination
Credit points 5 CP
Share on module final degree Course 1: %; Course 2: %; Course 3: %; Course 4: %.
Share of module grade on the course of study's final grade 1
Reference text
Dieses Modul darf im Studiengang Informatik (Master) nur dann belegt werden, wenn es (oder ein vergleichbares Modul) in einem Bachelorstudiengang nicht belegt wurde. Falls das Modul im Studiengang Informatik (Master) belegt wird, dann entfallen die Teilnehmevoraussetzungen.
Module course label Course type Course title SWS Workload of compulsory attendance Workload of preparation / homework etc Workload of independent learning Workload (examination and preparation) Sum workload
Course 1 Lecture Vorlesung 2 0
Course 2 Course Selbststudium 0
Course 3 Exercises Übung 2 0
Course 4 Course Übungsaufgaben 0
Workload by module 150 150
Total module workload 150
Examination Exam prerequisites Type of examination
Course 1
Course 2
Course 3
Course 4
Final exam of module
Aktive Teilnahme an den Übungen, Erfolgreiches Lösen der Übungs- und Programmieraufgaben, Erfolgreiches Vorrechnen und Erklären der Lösungen, 50% der Punkte der Übungsaufgaben
mündl. Prüfung oder Klausur
Exam repetition information
Prerequisites and conditions Prerequisites Frequency Compulsory attendance Share on module grade in percent
Course 1 Winter semester No %
Course 2 Winter semester No %
Course 3 Winter semester No %
Course 4 Winter semester No %