Bioinformatik

• Gesamtes Lehrangebot der Bioinformatik

  E61aA1.1
  • 19000546 Mentorium
    Mentoring (Ulrike Seyferth)
    Zeit: Mo 14.04. 10:00-12:00, Mo 14.04. 10:00-12:00 (Erster Termin: 14.04.2025)
    Ort: A3/019 Seminarraum (Arnimallee 3-5)
    

    Kommentar

    Das Mentoringprogramm bietet Veranstaltungen und Beratungsangebote vor allem (aber nicht nur!) für Studienanfänger*innen an. Alle Angebote sind freiwillig und können in der Regel ohne vorherige Anmeldung besucht werden.

    Meldet euch einfach im Whiteboard zum Mentoringkurs (19000546) an, dann bekommt ihr immer alle Infos und könnt selbst entscheiden, was für euch interessant ist!

    Weitere Infos findet ihr auf den Seiten des Studentischen Beratungszentrums.

    Wenn ihr Fragen oder Wünsche habt, wendet euch an uns!

    Eure Mentor*innen der Mathematik, Informatik und Bioinformatik

  • 19211901 Vorlesung
    Computerorientierte Mathematik II (5 LP) (Robert Gruhlke)
    Zeit: Fr 12:00-14:00 (Erster Termin: 25.04.2025)
    Ort: T9/Gr. Hörsaal (Takustr. 9)
    

    Zusätzl. Angaben / Voraussetzungen

    Studierende der Mathematik (Monobachelor und Lehramt) und Bioinformatik, sowie Numerikinteressierte aus Physik, Informatik und anderen Natur- und Geisteswissenschaften.

    Kommentar

    Inhalt:

    Die Auswahl der behandelten numerischen Verfahren enthält Polynominterpolation, Newton-Cotes-Formeln zur numerische Integration und Euler-Verfahren für lineare Differentialgleichungen.

    Homepage: Alle aktuellen Informationen zu Vorlesung und Übungen

  • 19211902 Übung
    Übung zu Computerorientierte Mathematik II (Robert Gruhlke)
    Zeit: Di 08:00-10:00, Di 16:00-18:00, Mi 16:00-18:00, Do 08:00-10:00, zusätzliche Termine siehe LV-Details (Erster Termin: 15.04.2025)
    Ort: A3/ 024 Seminarraum (Arnimallee 3-5)
    
  • 19211941 Zentralübung
    ZÜ zu Computerorientierte Mathematik II (Claudia Schillings)
    Zeit: Fr 14:00-16:00 (Erster Termin: 25.04.2025)
    Ort: A3/Hs 001 Hörsaal (Arnimallee 3-5)
    
  • 19234810 Proseminar
    Frauen in der Geschichte der Mathematik und Informatik (Anina Mischau)
    Zeit: Di 14:00-16:00 (Erster Termin: 15.04.2025)
    Ort: A6/SR 032 Seminarraum (Arnimallee 6)
    

    Zusätzl. Angaben / Voraussetzungen

    Für MathematikerInnen und InformatikerInnen im Monobachelor als ABV anrechenbar!

    Kommentar

    Im Zentrum des Seminars steht die Erarbeitung und Wiederentdeckung der Lebensgeschichten und des Wirken einiger bedeutender Mathematikerinnen und Informatikerinnen im 19. und 20. Jahrhundert. Betrachtet werden z.B. das Leben und Werk von Sophie Germaine (1776-1831), Ada Lovelace (1815-1852), Sonja Kovalevskaya (1850-1891), Emmy Noether (1882-1935), Ruth Moufang (1905-1977), Grace Murray Hopper (1906-1992) und weiterer Wissenschaftlerinnen.

    Im Seminar geht es nicht darum, diese Frauen als Ausnahmeerscheinung hervorzuheben, denn dies würde sie lediglich auf ihren Exotinnenstatus festschreiben. Es geht vielmehr um eine historische Kontextualisierung deren Leben und Werk. Dies ermöglicht nicht nur eine exemplarische Auseinandersetzung mit gesellschaftlichen wie fachkulturellen Inklusions- und Exklusionsprozessen entlang der Kategorie Geschlecht, sondern auch die Entwicklung neuer Sichtweisen auf die tradierte Kulturgeschichte beider Disziplinen. Das Seminar basiert auf dem Ansatz eines forschenden oder entdeckenden Lernens, d.h. die Studierenden werden selbständig in Gruppenarbeiten einzelne Seminarthemen vorbereiten und präsentieren. Diese Präsentationen werden dann im Seminar diskutiert. Durch den Einsatz von Beobachtungsbögen soll zudem eine Feedbackkultur erprobt werden, die im späteren Berufsalltag im Umgang mit SchülerInnen und/oder KollegInnen hilfreich ist.

  • 19300101 Vorlesung
    Algorithmen und Datenstrukturen (Wolfgang Mulzer)
    Zeit: Di 16:00-18:00, Fr 12:00-14:00, zusätzliche Termine siehe LV-Details (Erster Termin: 15.04.2025)
    Ort: Gr. Hörsaal (Raum B.001) (Arnimallee 22)
    

    Kommentar

    Qualifikationsziele

    Die Studierenden analysieren⁴ Algorithmen und Datenstrukturen und ihre Implementierungen bezüglich Laufzeit, Speicherbedarf und Korrektheit und beschreiben² verschiedene Algorithmen und Datenstrukturen für typische Anwendungen und wenden³ diese auf konkrete Beispiele an. Sie können passende Algorithmen und Datenstrukturen für gegebene Aufgaben auswählen⁴ und passen⁵ diese entsprechend an. Sie erklären², identifizieren⁴ und verwenden⁵ verschiedene Entwurfsparadigmen für Algorithmen.

    Inhalte

    Studierende lernen das Maschinenmodell, sowie verschiedene algorithmische Probleme kennen. Sie erarbeiten und üben die Berechnung von Laufzeit, Korrektheit und Speicherbedarf dieser Algorithmen und lernen die asymptotische worst-case Analyse kennen. Darüber hinaus diskutieren sie die Rolle des Zufalls im Kontext des Entwurfs von Algorithmen. Des Weiteren erlernen und üben sie Entwurfsparadigmen für Algorithmen wie Teile und Herrsche, gierige Algorithmen, Dynamische Programmierung und Erschöpfende Suche. Sie lernen Prioritätswarteschlangen und effiziente Datenstrukturen für geordnete und ungeordnete Wörterbücher (z.B. ausgeglichene Suchbäume, Streuspeicher, Skiplisten) kennen und üben den Umgang mit ihnen. Zudem lernen sie Algorithmen für Zeichenketten (digitale Suchbäume und Suchen in Zeichenketten) und Graphenalgorithmen kennen, diskutieren deren Anwendung und üben den Umgang mit ihnen.

     

    Literaturhinweise

    • P. Morin: Open Data Structures, an open content textboox.
    • T. H. Cormen, C. Leiserson, R. Rivest, C. Stein: Introduction to Algorithms, MIT Press, 2022.
    • R. Sedgewick, K. Wayne: Algorithms, Addison-Wesley, 2011.
    • M. Dietzfelbinger, K. Mehlhorn, P. Sanders. Algorithmen und Datenstrukturen: Die Grundwerkzeuge, Springer, 2014.
    • J. Erickson. Algorithms, 2019
    • T. Roughgarden. Algorithms Illuminated. Cambridge University Press, 2022.

  • 19300102 Übung
    Übung zu Algorithmen und Datenstrukturen (Wolfgang Mulzer)
    Zeit: Mo 14:00-16:00, Mo 16:00-18:00, Di 12:00-14:00, Mi 12:00-14:00, Mi 14:00-16:00, Mi 16:00-18:00, Do 16:00-18:00, Fr 14:00-16:00, Fr 16:00-18:00 (Erster Termin: 14.04.2025)
    Ort: T9/051 Seminarraum (Takustr. 9)
    
  • 19301001 Vorlesung
    Lineare Algebra für (Bio-)Informatik (Max Willert)
    Zeit: Mi 16:00-18:00, Do 10:00-12:00, Fr 10:00-12:00, zusätzliche Termine siehe LV-Details (Erster Termin: 17.04.2025)
    Ort: Hs 1b Hörsaal (Habelschwerdter Allee 45)
    

    Zusätzl. Angaben / Voraussetzungen

    Freischaltung der Anmeldung zu Tutorien wird rechtzeitig bekanntgegeben.

    Kommentar

    • Lineare Algebra:
      • Vektorraum, Basis und Dimension;
      • lineare Abbildung, Matrix und Rang;
      • Gauss-Elimination und lineare Gleichungssysteme;
      • Determinanten, Eigenwerte und Eigenvektoren;
      • Euklidische Vektorräume und Orthonormalisierung;
      • Hauptachsentransformation
    • Anwendungen der linearen Algebra in der affinen Geometrie, Statistik und Codierungstheorie (lineare Codes)

    Literaturhinweise

    • Klaus Jänich: Lineare Algebra, Springer-Lehrbuch, 10. Auflage 2004
    • Dirk Hachenberger: Mathematik für Informatiker, Pearson 2005
    • G. Grimmett, D. Welsh: Probability - An Introduction, Oxford Science Publications 1986
    • Kurt Meyberg, Peter Vachenauer: Höhere Mathematik 1, Springer-Verlag, 6. Auflage 2001
    • G. Berendt: Mathematik für Informatiker, Spektrum Akademischer Verlag 1994
    • Oliver Pretzel: Error-Correcting Codes and Finite Fields, Oxford Univ. Press 1996

  • 19301002 Übung
    Übung zu Lineare Algebra für Informatik (Max Willert)
    Zeit: Mo 10:00-12:00, Mo 14:00-16:00, Mo 16:00-18:00, Di 08:00-10:00, Di 10:00-12:00, Di 12:00-14:00, Di 14:00-16:00, Di 16:00-18:00 (Erster Termin: 14.04.2025)
    Ort: T9/049 Seminarraum (Takustr. 9)
    
  • 19301501 Vorlesung
    Datenbanksysteme (Agnès Voisard)
    Zeit: Di 14:00-16:00, Do 14:00-16:00, zusätzliche Termine siehe LV-Details (Erster Termin: 15.04.2025)
    Ort: T9/Gr. Hörsaal (Takustr. 9)
    

    Zusätzl. Angaben / Voraussetzungen

    Zielgruppe

    • Pflichtmodul im Bachelorstudiengang Informatik
    • Pflichtmodul im lehramtsbezogenen Bachelorstudiengang mit Kernfach Informatik und Ziel: Großer Master
    • Studierende im lehramtsbezogenen Masterstudiengang (Großer Master mit Zeitfach Informatik) können dieses Modul zusammen mit dem "Praktikum DBS" absolvieren
    • Wahlpflichtmodul im Nebenfach Informatik

    Voraussetzungen

    • ALP 1 - Funktionale Programmierung
    • ALP 2 - Objektorientierte Programmierung
    • ALP 3 - Datenstrukturen und Datenabstraktion
    • ODER Informatik B

    Kommentar

    Inhalt

    Datenbankentwurf mit ERM/ERDD. Theoretische Grundlagen relationaler Datenbanksysteme: Relationale Algebra, Funktionale Abhängigkeiten, Normalformen. Relationale Datenbankentwicklung: SQL Datendefinition, Fremdschlüssel und andere Integritätsbedingungen. SQL als applikative Sprache: wesentliche Sprachelemente, Einbettung in Programmiersprachen, Anwendungsprogrammierung; objekt-relationale Abbildung. Transaktionsbegriff, transaktionale Garantien, Synchronisation des Mehrbenutzerbetriebs, Fehlertoleranzeigenschaften. Anwendungen und neue Entwicklungen: Data Warehousing, Data Mining, OLAP.

    Projekt: im begleitenden Projekt werden die Themen praktisch vertieft.

    Literaturhinweise

    • Alfons Kemper, Andre Eickler: Datenbanksysteme - Eine Einführung, 5. Auflage, Oldenbourg 2004
    • R. Elmasri, S. Navathe: Grundlagen von Datenbanksystemen, Pearson Studium, 2005

  • 19301502 Übung
    Übung zu Datenbanksysteme (Muhammed-Ugur Karagülle)
    Zeit: Mo 12:00-14:00, Mo 14:00-16:00, Mo 16:00-18:00, Di 08:00-10:00, Di 10:00-12:00, Di 12:00-14:00, Mi 10:00-12:00, Mi 12:00-14:00, Mi 14:00-16:00, Do 08:00-10:00, Do 10:00-12:00, Do 12:00-14:00, Do 16:00-18:00, Fr 10:00-12:00, Fr 14:00-16:00, Fr 16:00-18:00 (Erster Termin: 14.04.2025)
    Ort: T9/SR 006 Seminarraum (Takustr. 9)
    
  • 19302613 Praxisseminar
    Planung, Durchführung und Analyse eines Tutoriums (Nicolas Perkowski)
    Zeit: Do 16:00-17:00, zusätzliche Termine siehe LV-Details (Erster Termin: 07.04.2025)
    Ort: T9/137 Konferenzraum (Takustr. 9)
    

    Zusätzl. Angaben / Voraussetzungen

    Die Anmeldung zu diesem Kurs erfolgte bereits im Januar 2025. Sollten Sie Interesse an diesem Kurs haben, schreiben Sie den Dozierenden bitte eine E-Mail.

    Kommentar

    Inhalt

    In einem vorbereitenden Kolloquium werden aktuelle Unterrichtsmethoden für Tutorien zur Mathematik und Informatik vorgestellt und diskutiert. Anschließend findet noch während der Semesterferien ein Vorstellungsgespräch mit dem Tutorenauswahlausschuss statt, in dem die Eignung als Tutor festgestellt wird.

    Nach erfolgreicher Eignungsfeststellung wird ein Tutorium zu einer selbst gewählten Veranstaltung des Pflichtbereichs vorbereitet, durchgeführt, dokumentiert und analysiert.

    Literaturhinweise

    Seifert, J. W.: Visualisieren Präsentieren Moderieren. GABAL Verlag, 16. Auflage 2001

  • 19333611 Seminar
    Seminar: Deep Learning for biomedical applications (Vitaly Belik)
    Zeit: Mo 16:00-18:00 (Erster Termin: 14.04.2025)
    Ort: T9/053 Seminarraum (Takustr. 9)
    

    Kommentar

    Recent developments in the area of machine learning due to availability of data and computational power promise to revolutionize almost every area of science. The driving technology behind this advancement is deep learning – a machine learning technology based on artificial neural networks consisting of many layers. Deep learning is capable of processing huge amount of data of different nature and already outperforming humans in many decision-making tasks. Biomedical research became now a source of large heterogeneous data, i.e. images, video, activity sensors, omics and text data. Leveraging the opportunities of this deep learning technology in the biomedical field requires particular set of skills combining thorough knowledge of necessary algorithms, specifics of biomedical data and designated programming tools. In this course we aim to offer students with background in computer science an opportunity to acquire the above skills to be able to deploy deep learning technology with a focus on biomedical applications. The course is structured as a seminar, where students under extensive guidance of instructors read fundamental books and recent research articles on deep learning, learn necessary programming tools, and produce their own implementations of computational pipelines in case studies using already published or original data. Starting from fundamental aspects of deep learning we aim to cover its applications to e.g. image data, time series data, text data, complex networks.

    Literaturhinweise

    [1] Andresen N, Wöllhaf M, Hohlbaum K, Lewejohann L, Hellwich O, Thöne- Reineke C, Belik V, Towards a fully automated surveillance of well-being status in laboratory mice using deep learning: Starting with facial expres- sion analysis. Plos One, 15(4):e0228059, (2020) https://doi.org/10.1371/ journal.pone.0228059

    [2] Jarynowski A, Semenov A, Kamiński M, Belik V. Mild Adverse Events of Sputnik V Vaccine in Russia: Social Media Content Analysis of Telegram via Deep Learning. J Med Internet Res 2021;23(11):e30529 https://doi.org//10.2196/30529

  • 19335011 Seminar
    Seminar: Netzwerke, dynamische Modelle und ML für Datenintegration in den Lebenswissenschaften (Katharina Baum)
    Zeit: Di 12:00-14:00 (Erster Termin: 15.04.2025)
    Ort: T9/137 Konferenzraum (Takustr. 9)
    

    Kommentar

    Forschungsseminar der Arbeitsgruppe Data Integration in the Life Sciences (DILiS). Auch offen für Seminarteilnahmen im Masterstudium, Online-Teilnahme möglich. Bitte entnehmen Sie Termine dem aktuellen Plan im Whiteboard!

    Das Seminar bietet Raum für die Diskussion weiterführender und integrativer Datenanalysetechniken, insbesondere Vorträge und Diskussion von laufenden oder geplanten Forschungsprojekten, Neuigkeiten von Konferenzen, Besprechung aktueller Literatur und Diskussion möglicher zukünftiger Lehrformate und -inhalte, und Vorstellungen, sowie Abschlussvorträge zu Abschlussarbeiten oder Projektseminaren. Die Seminarsprache ist weitestgehend Englisch. Gern können interessierte Studierende teilnehmen und unverbindlich vorbeischauen oder ein selbst gewähltes Thema von Interesse für die Arbeitsgruppe vorstellen. Achtung: Einzelne Termine können ausfallen oder verschoben werden. Kontaktieren Sie mich gern für Fragen (katharina.baum@fu-berlin.de)!

  • 19336717 Seminar/Proseminar
    Aktives Lernen, Unsicherheit und Erklärbarkeit für biomedizinische Anwendungen (Katharina Baum)
    Zeit: Di 14:00-16:00 (Erster Termin: 15.04.2025)
    Ort: T9/051 Seminarraum (Takustr. 9)
    

    Kommentar

    In diesem Hauptseminar besprechen wir verschiedenste Methoden für maschinelles Lernen. Im Fokus stehen dabei Ansätze des aktiven Lernens, Abschätzungen von Unsicherheit und ihre Nutzung, sowie Methoden für Erklärungen von Modellen. Die Anwendung und Entwicklung dieser Methoden für biomedizinische Fragestellungen wird anhand aktueller Forschungsarbeiten betrachtet.
    Beispiel für behandelte Ansätze sind
    - selective sampling
    - SHAP values
    - Gaussian ensemble models
    - Bayesian neural networks
    Wir werden das Seminar vornehmlich auf Englisch durchführen, natürlich können Sie Fragen auch auf Deutsch stellen.

  • 19336901 Vorlesung
    Advanced Data Visualization for Artificial Intelligence (Georges Hattab)
    Zeit: Mi 10:00-12:00 (Erster Termin: 16.04.2025)
    Ort: A6/SR 007/008 Seminarraum (Arnimallee 6)
    

    Kommentar

    Die Vorlesung über fortgeschrittene Datenvisualisierung für künstliche Intelligenz ist eine umfassende Erkundung der modernsten Techniken und Tools zur Erstellung und Validierung komplexer Visualisierungen für die Vermittlung von Dateneinblicken und Geschichten, mit einem besonderen Schwerpunkt auf Anwendungen in der Verarbeitung natürlicher Sprache (NLP) und erklärbarer KI. Der Vortrag führt die Teilnehmer in das verschachtelte Modell der Visualisierung ein, das vier Ebenen umfasst: Charakterisierung der Aufgabe und der Daten, Abstrahierung in Operationen und Datentypen, Entwurf visueller Kodierungs- und Interaktionstechniken und Erstellung von Algorithmen zur effizienten Ausführung von Techniken. Dieses Modell dient als Rahmen für den Entwurf und die Validierung von Datenvisualisierungen.
    
    Darüber hinaus wird in der Vorlesung die Anwendung der Datenvisualisierung im Bereich NLP behandelt, wobei der Schwerpunkt auf der Visualisierung von Worteinbettungen und Sprachmodellen liegt, um die Erforschung semantischer Beziehungen zwischen Wörtern und die Interpretation des Verhaltens von Sprachmodellen zu unterstützen. Im Kontext von Explainable AI liegt der Schwerpunkt auf der Verwendung von Visualisierungen zur Erklärung von Modellvorhersagen und der Bedeutung von Merkmalen, wodurch die Interpretierbarkeit von KI-Modellen verbessert wird. Durch die Nutzung des verschachtelten Modells der Visualisierung und die Fokussierung auf NLP und erklärbare KI zielt der Vortrag darauf ab, die Teilnehmer mit den wesentlichen Fähigkeiten auszustatten, um fortschrittliche Datenvisualisierungen zu entwerfen und zu validieren, die auf diese spezifischen Anwendungen zugeschnitten sind. So können sie letztendlich komplexe Datenmuster effektiv kommunizieren und tiefere Einsichten aus ihren Daten gewinnen.

  • 19336902 Übung
    Ü: Advanced Data Visualization for Artificial Intelligence (Georges Hattab)
    Zeit: Mi 14:00-16:00 (Erster Termin: 16.04.2025)
    Ort: A6/SR 007/008 Seminarraum (Arnimallee 6)
    
  • 19401513 Praxisseminar
    Projektmanagement im Softwarebereich (SeqAn) (René Rahn)
    Zeit: Termine siehe LV-Details (Erster Termin: 10.03.2025)
    Ort: 1.1.53 Seminarraum E2 (Arnimallee 14)
    

    Zusätzl. Angaben / Voraussetzungen

    Die Verteilung der Plätze findet im Februar statt.

    Kommentar

    Inhalt:

    In diesem Praktikum werden Algorithmen zur Sequenzanalyse implementiert, und zwar im Rahmen der Software-Bibliothek SeqAn, die zur Zeit in unserer Arbeitsgruppe entwickelt wird. Benotet werden die Beiträge anhand eines schriftlichen Projektberichtes.

    Zum gleichen Modul gehört ein Begleitseminar, das von den Teilnehmern des Praktikums ebenfalls belegt werden muss.

    Zielgruppe:

    Diese Veranstaltung richtet sich an Studierende der Bioinformatik. Die Praktikumsplätze werden über ein besonderes Anmeldeverfahren über das Studienbüro für Bioinformatik bereits im Februar vergeben. Interessierte Informatikstudenten werden nachrangig behandelt.

    Voraussetzungen:

    Gute Kennnisse in C/C++.

    Informationen zum Softwarepraktikum befinden sich auf der Homepage des Studiengangs Bioinformatik.

    Literaturhinweise

    Literatur:

    Wird in der Vorbesprechung ausgegeben.

  • 19403413 Praxisseminar
    Projektmanagement im Softwarebereich (Faster Bioinformatics with C++) (Chris Bielow)
    Zeit: Mo 13:00-14:00, Fr 10:00-12:00, zusätzliche Termine siehe LV-Details (Erster Termin: 24.03.2025)
    Ort: T9/K40 Multimediaraum (Takustr. 9)
    

    Zusätzl. Angaben / Voraussetzungen

    Die Verteilung der Plätze findet jedes Jahr im Februar statt.

    Kommentar

    Informationen zum Softwarepraktikum befinden sich auf der Homepage des Studiengangs Bioinformatik.

  • 19403613 Praxisseminar
    Machine Learning and AI in the Life Sciences: Methods and Applications (Tim Conrad, Christoph Tycowicz)
    Zeit: Fr 08:00-12:00 (Erster Termin: 25.04.2025)
    Ort: T9/049 Seminarraum (Takustr. 9)
    

    Zusätzl. Angaben / Voraussetzungen

    Voraussetzungen:

    Vorlesung Statistik im Master Bioinformatik (oder äquivalente Veranstaltungen)

    Kommentar

    Machine Learning and AI in the Life Sciences: Methods and Applications

    This course introduces key machine learning and AI techniques with a strong focus on their applications in the life sciences. You will learn how to analyze complex biomedical data, from pre-processing to model selection and interpretation, using techniques such as dimensionality reduction, feature selection, supervised and unsupervised learning, visual analysis, and deep learning.

    Through hands-on projects based on real-world datasets, you will gain practical experience in selecting and applying the right methods to tackle key challenges in the life sciences and bioinformatics, such as disease prediction, biomarker discovery, and patient (status) classification.  These projects will reinforce your learning while also helping you develop both technical expertise and scientific communication skills through presentations.

    By the end of the course, you will be able to process and model life science data, evaluate AI-driven insights, and effectively communicate your findings. Prior experience in programming (e.g., in R, Python, Java, or C/C++) is highly recommended.

    
    Dieser Kurs führt in die wichtigsten Techniken des maschinellen Lernens und der künstlichen Intelligenz ein, wobei der Schwerpunkt auf deren Anwendungen in den Lebenswissenschaften liegt. Sie werden lernen, wie man komplexe biomedizinische Daten analysiert, von der Vorverarbeitung bis zur Modellauswahl und Interpretation, unter Verwendung von Techniken wie Dimensionsreduktion, Feature Selection, überwachtes und unüberwachtes Lernen, visuelle Analyse und Deep Learning.

    Durch praktische Projekte, die auf realen Datensätzen basieren, werden Sie praktische Erfahrungen in der Auswahl und Anwendung der richtigen Methoden sammeln, um wichtige Herausforderungen in den Lebenswissenschaften und der Bioinformatik zu bewältigen, wie z. B. die Vorhersage von Krankheiten, die Entdeckung von Biomarkern und die Klassifizierung des Patienten(-status). Diese Projekte werden Ihre Kenntnisse vertiefen und Ihnen helfen, sowohl technisches Fachwissen als auch wissenschaftliche Kommunikationsfähigkeiten durch Präsentationen zu entwickeln.

    Am Ende des Kurses werden Sie in der Lage sein, biowissenschaftliche Daten zu verarbeiten und zu modellieren, KI-gesteuerte Erkenntnisse zu bewerten und Ihre Ergebnisse effektiv zu kommunizieren. Vorkenntnisse in der Programmierung (z. B. in R, Python, Java oder C/C++) werden dringend empfohlen.

     

  • 19406801 Vorlesung
    Algorithmische Bioinformatik II (Katharina Jahn, Martin Vingron)
    Zeit: Fr 08:00-10:00 (Erster Termin: 25.04.2025)
    Ort: T9/SR 005 Übungsraum (Takustr. 9)
    

    Kommentar

    In der Vorlesung werde folgende Inhalte behandelt: Multiples Sequenzalignment, formale Sprachen und HMMs, Motifsuche, Der FM-index, Algoirthmen zur RNA Analyse, Proteomics. In den Übungen werden die erarbeitenen Inhalte vertieft und Analyse- und Beweistechniken eingeübt.  

  • 19406802 Übung
    Übung zu Algorithmische Bioinformatik II (Katharina Jahn, Martin Vingron)
    Zeit: Di 12:00-14:00, Di 16:00-18:00, Mi 10:00-12:00 (Erster Termin: 22.04.2025)
    Ort: , A3/SR 120, T9/055 Seminarraum, T9/SR 006 Seminarraum
    
  • 60100001 Vorlesung
    Statistik für Bioinformatik I (Konrad Neumann)
    Zeit: Do 16:00-18:00, zusätzliche Termine siehe LV-Details (Erster Termin: 17.04.2025)
    Ort: A3/Hs 001 Hörsaal (Arnimallee 3-5)
    

    Zusätzl. Angaben / Voraussetzungen

     

     

                   

    Kommentar

    Inhaltsangabe

    In der Vorlesung werden die grundlegenden Methoden der angewandten Statistik besprochen. Nach einer kurzen orientierenden Einführung in die beschreibende und schließende Statistik werden folgende Themenbereiche ausführlicher behandelt:

    1. Elementare Wahrscheinlichkeitsrechnung
    2. Bedingte Wahrscheinlichkeiten und der Satz von Bayes
    3. Rechnen mit Zufallsvariablen
    4. Anwendung der elementaren Wahrscheinlichkeitsrechnung in den Lebenswissenschaften
    5. Prinzip des statistischen Tests
    6. Die wichtigsten klassischen Testverfahren
    7. Konfidenzintervalle
    8. Korrelation und Regressionsanalyse

    Zu allen Themen werden wöchentlich Übungsaufgaben, viele mit Bezug zu den Lebenswissenschaften, gestellt. Der Großteil der Aufgaben wird mit der Statistiksoftware R bearbeitet (Bezug über http://www.r-project.org/). In den Übungen werden die für die Bearbeitung der Übungsaufgaben nötigen Grundkenntnisse von R vermittelt.

                   

  • 60100002 Übung
    Übung zu Statistik für Bioinformatik I (Konrad Neumann)
    Zeit: Mi 16:00-18:00, zusätzliche Termine siehe LV-Details (Erster Termin: 16.04.2025)
    Ort: A7/SR 031 (Arnimallee 7)
    
  • 60101511 Seminar
    Seminar zu Projektmanagement im Softwarebereich (Rust-Programmierung) (Peter N. Robinson)
    Zeit: -
    Ort: keine Angabe
    
  • 60101513 Praxisseminar
    Projektmanagement im Softwarebereich (Rust-Programmierung) (Peter N. Robinson)
    Zeit: -
    Ort: keine Angabe
    

    Zusätzl. Angaben / Voraussetzungen

    Die Verteilung der Plätze erfolgt jedes Jahr im Februar.

    Kommentar

    Informationen zum Softwarepraktikum befinden sich auf der Homepage des Studiengangsgangs Bioinformatik.

  • 60102501 Vorlesung
    Resampling Techniken und deren Anwendungen (Frank Konietschke)
    Zeit: Mi 14:00-16:00 (Erster Termin: 16.04.2025)
    Ort: A6/SR 032 Seminarraum (Arnimallee 6)
    

    Kommentar

    Beschreibung liegt auf Englisch vor.

  • 60102502 Übung
    Übung zu Resampling Techniken und deren Anwendungen (Frank Konietschke)
    Zeit: Mi 16:00-18:00 (Erster Termin: 16.04.2025)
    Ort: A6/SR 032 Seminarraum (Arnimallee 6)