MLU
INF.06267.03 - Statistische Datenanalyse und Maschinelles Lernen in der Bioinformatik I (Vollständige Modulbeschreibung)
Originalfassung Englisch
INF.06267.03 5 CP
Modulbezeichnung Statistische Datenanalyse und Maschinelles Lernen in der Bioinformatik I
Modulcode INF.06267.03
Semester der erstmaligen Durchführung
Fachbereich/Institut Institut für Informatik
Verwendet in Studiengängen / Semestern
  • Agrarwissenschaften (MA120 LP) (Master) > Agrarwissenschaft/Landwirtschaft AgrarwissenschaftenMA120, Akkreditierungsfassung (WS 2015/16 - SS 2018) > Wahlmodule Nutzpflanzen
  • Agrarwissenschaften (MA120 LP) (Master) > Agrarwissenschaft/Landwirtschaft AgrarwissenschaftenMA120, Akkreditierungsfassung (WS 2018/19 - SS 2020) > Wahlmodule Nutzpflanzen
  • Bioinformatik (180 LP) (Bachelor) > Bioinformatik Bioinformatik180, Akkreditierungsfassung (WS 2016/17 - SS 2018) > Pflichtmodule
  • Bioinformatik (180 LP) (Bachelor) > Bioinformatik Bioinformatik180, Akkreditierungsfassung (WS 2018/19 - WS 2022/23) > Pflichtmodule
  • Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Akkreditierungsfassung (WS 2016/17 - WS 2022/23) > Brückenmodule Informatik
  • Informatik (180 LP) (Bachelor) > Informatik Informatik180, Akkreditierungsfassung (WS 2016/17 - SS 2018) > Bereich Bioinformatik
  • Informatik (180 LP) (Bachelor) > Informatik Informatik180, Akkreditierungsfassung (WS 2018/19 - WS 2022/23) > Bereich Bioinformatik
  • Nutzpflanzenwissenschaften (MA120 LP) (Master) > Agrarwissenschaft/Landwirtschaft Nutzpflanzenwiss.MA120, Akkreditierungsfassung gültig ab WS 2018/19 > Wahlpflichtmodule
  • Nutzpflanzenwissenschaften (MA120 LP) (Master) > Agrarwissenschaft/Landwirtschaft Nutzpflanzenwiss.MA120, Akkreditierungsfassung (WS 2015/16 - SS 2018) > Wahlpflichtmodule
Modulverantwortliche/r
Weitere verantwortliche Personen
Prof. Dr. Ivo Große
Teilnahmevoraussetzungen
  • Modul Diskrete Strukturen, lineare Algebra und Analysis (Studienleistung)
  • Modul Einführung in Data Science (Studienleistung)
Kompetenzziele
  • 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.
Modulinhalte
  • 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
Lehrveranstaltungsformen Vorlesung (2 SWS)
Kursus
Übung (2 SWS)
Kursus
Unterrichtsprachen Deutsch, Englisch
Dauer in Semestern 1 Semester Semester
Angebotsrhythmus Modul jedes Wintersemester
Aufnahmekapazität Modul unbegrenzt
Prüfungsebene
Credit-Points 5 CP
Modulabschlussnote LV 1: %; LV 2: %; LV 3: %; LV 4: %.
Faktor der Modulnote für die Endnote des Studiengangs 1
Hinweise
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.
Modulveran­staltung Lehrveranstaltungs­form Veranstaltungs­titel SWS Workload Präsenz Workload Vor- / Nach­bereitung Workload selbstge­staltete Arbeit Workload Prüfung incl. Vorbereitung Workload Summe
LV 1 Vorlesung Vorlesung 2 0
LV 2 Kursus Selbststudium 0
LV 3 Übung Übung 2 0
LV 4 Kursus Übungsaufgaben 0
Workload modulbezogen 150 150
Workload Modul insgesamt 150
Prüfung Prüfungsvorleistung Prüfungsform
LV 1
LV 2
LV 3
LV 4
Gesamtmodul
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
Wiederholungsprüfung
Regularien Teilnahme­voraussetzungen Angebots­rhythmus Anwesenheits­pflicht Gewicht an Modulnote in %
LV 1 Wintersemester Nein %
LV 2 Wintersemester Nein %
LV 3 Wintersemester Nein %
LV 4 Wintersemester Nein %