Ort: wird noch bekanntgegeben
Veranstalter: Dr. Peter Meinicke (pmeinic[at]gwdg[dot]de)
Mit einem ständig wachsendem Datenaufkommen gewinnen Verfahren des Maschinellen Lernens in der Bioinformatik zunehmend an Bedeutung. In vielen Fällen, in denen biologisches Wissen in (noch) nicht ausreichendem Maße vorhanden ist, um die gewonnenen Daten zu analysieren, können Techniken des Maschinellen Lernens einen alternativen Zugang zur bioinformatischen Datenverarbeitung bieten. Etwa bei der Suche nach vage spezifizierten Mustern, die allein durch eine Anzahl von Beispielen charakterisiert sind. Hier kommen unter anderem künstliche Neuronale Netze zur Detektion genomischer Signale (z.B. Splice Sites) auf DNA-Sequenzen zum Einsatz.
In vielen Bereichen der Bioinformatik geht es zudem um die Visualisierung hochdimensionaler Daten, um Zusammenhänge in komplexen Datenverteilungen aufzudecken. Hier kommen insbesondere bei der Analyse von Genexpressionsdaten Verfahren zur Dimensionsreduktion zum Einsatz, um Cluster-Strukturen zu identifizieren.
Anhand einer ganzen Reihe solcher Beispielanwendungen aus der aktuellen Bioinformatik sollen in der Vorlesung die zugrundeliegenden Verfahren des Maschinellen Lernens motiviert und deren Funktionsweise erläutert werden. Vorausgesetzt sind dabei Grundkenntnisse in Vektorrechnung und Statistik (für nähere Auskunft bitte den Veranstalter kontaktieren). Weitergehende Mathematikkenntnisse, die zum Verständnis der Verfahren nötig sind, werden in der Vorlesung vermittelt.
Die Vorlesung richtet sich an StudentInnen der Bioinformatik (Master/Nebenfach) im Hauptstudium und ist zudem für alle StudentInnen der Mathematik und Informatik geeignet. Zusätzlich zur Vorlesung werden Rechneruebungen im Umfang von 2 SWS angeboten (Zeit/Ort wird in der Vorlesung bekanntgegeben), in denen verschiedene Verfahren des Maschinellen Lernens an bioinformatischen Daten unter MATLAB praktisch erprobt werden können.