MLU
INF.07651.02 - Computational Transcriptomics (Vollständige Modulbeschreibung)
Originalfassung Englisch
INF.07651.02 5 CP
Modulbezeichnung Computational Transcriptomics
Modulcode INF.07651.02
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 transcriptomics.
  • Being capable to critically evaluate and select appropriate computational transcriptomics approaches for addressing specific scientific problems transcriptomics.
  • Gaining the ability to effectively communicate and explain computational transcriptomics 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 transcriptomics.
Modulinhalte
Technology und data acquisition
Popular distance and dissimilarity measures and hierarchical clustering
Partitioning clustering and k-means algorithm
Expectation-maximization algorithm und Gibbs-sampling algorithm for Gaussian mixture models
Prediction of differentially expressed genes, exons, and isoforms
Lehrveranstaltungsformen Vorlesung (2 SWS)
Kursus
Übung (2 SWS)
Übung
Unterrichtsprachen Deutsch, Englisch
Dauer in Semestern 1 Semester Semester
Angebotsrhythmus Modul jedes Sommersemester
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 Sommersemester Nein %
LV 2 Sommersemester Nein %
LV 3 Sommersemester Nein %
LV 4 Sommersemester Nein %