MLU
INF.07653.03 - Computational Sequence Analysis (Vollständige Modulbeschreibung)
Originalfassung Englisch
INF.07653.03 5 CP
Modulbezeichnung Computational Sequence Analysis
Modulcode INF.07653.03
Semester der erstmaligen Durchführung
Fachbereich/Institut Institut für Informatik
Verwendet in Studiengängen / Semestern
  • Biodiversity Sciences (MA120 LP) (Master) > Biologie BiodiversityMA120, Akkreditierungsfassung gültig ab SS 2021 > Project modules offered by the Institute of Computer Science (Nat Sci III)
Modulverantwortliche/r
Weitere verantwortliche Personen
Prof. Dr. Ivo Große
Teilnahmevoraussetzungen
Statistical Data Analysis and Machine Learning in Biodiversity Research
Kompetenzziele
  • Acquire an understanding of the fundamental principles and techniques of computational sequence analysis.
  • Being capable to critically evaluate and select appropriate computational sequence analysis approaches for addressing specific scientific problems in sequence analysis.
  • Gaining the ability to effectively communicate and explain computational sequence analysis approaches to both technical and non-technical audiences including their limitations and implications of their findings.
  • Having competence of developing and advancing these approaches further for application to new and emerging scientific challenges in sequence analysis.
Modulinhalte
Expectation-maximization algorithm, Baum-Welch algorithm for Hidden Markov Models, Gibbs-sampling algorithm
Computational recognition of splice sites
Computational recognition of cis-elements and cis-regulatory modules
Lehrveranstaltungsformen Vorlesung (2 SWS)
Kursus
Übung (2 SWS)
Übung
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
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 Übung Bearbeiten der 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 %