791388 Bayesian data analysis in the life sciences (in Eng.)


Art
Vorlesung und Übung
Semesterstunden
3
Vortragende/r (Mitwirkende/r)
Sykacek, Peter
Organisation
Institut für Biotechnologie
Angeboten im Semester
Wintersemester 2017/18
Unterrichts-/ Lehrsprachen
Englisch

Lehrinhalt

I Theorie (wöchentliche Lehreinheiten)
1) Bayes´sche Konzepte - von Daten zum Modell
2) Techniken der Bayes´schen Inferenz
2.1) Exakte Inferenz
2.2) Näherungslösungen mit systematischem Fehler
2.3) Näherungslösungen mit zufälligem Fehler
3) Werkzeuge zur Bayes´schen Inferenz
4) Bayes´sche Modelle mit Anwendungen in der Computational Biology

II Praktische Übungen (geblockter Übungsbetrieb am Computer).
Bayes´sche Techniken werden in Mini-Projekten angewendet, wobei die in der Vorlesung behandelten Tools und Modelle zum Einsatz kommen und Datensätze aus dem Life Science Umfeld analysiert werden. Ein typisches Projekt könnte zum Beispiel einen öffentlich zugänglichen Microarray Datensatz auf "relevante Gene" hin untersuchen und eine high Level Analyse solcher Daten durchführen (z.B. Abbildung auf GO:biological process Kategorien oder Pathways). Die Projekte werden alleine oder in kleinen Gruppen bearbeitet. Die Analyseschritte sind je nach eingesetztem Tool mittels Scripts oder Modellbeschreibungen zu dokumentieren und mit den Ergebnissen in einem Laborprotokoll (eine Vorlage wird bereitgestellt) zusammenzufassen. Das Laborprotokoll ist ein wesentlicher Bestandteil der Bewertung.

Inhaltliche Voraussetzungen (erwartete Kenntnisse)

Kenntnisse in Mathematik und Statistik, wie sie beispielsweise in "Machine Learning and Pattern Recognition for Bioinformatics" vermittelt werden. Kenntnisse im Handhaben eines Linux Computers bzw. grundlegende Programmierkenntnisse.

Lehrziel

Der erfolgreiche Abschluss der Lehrveranstaltung erlaubt es den AbsolventInnen typische Datensätze aus den Life Sciences optimal mit Bayes´schen Methoden zu analysieren und die richtigen Schlüsse zu ziehen. AbsolventInnen können darüber hinaus einfache Bayes'sche Modelle herleiten, in MatLab implementieren. und sind in der Lage einschlägige Fachliteratur zu verstehen, die komplexe Modelle und deren Anwendung beschreibt.
Noch mehr Informationen zur Lehrveranstaltung, wie Termine oder Informationen zu Prüfungen, usw. finden Sie auf der Lehrveranstaltungsseite in BOKUonline.