SoSe 25  
 Berlin Universi...  
 Master Bioinfor...  
 Lehrveranstaltung

BUA Joint Degree-Studiengänge

Master Bioinformatik (SPO 2019)

E81c

  • Complex Systems in Bioinformatics

    0262cB1.1
    • 19405201 Vorlesung
      Complex Systems in Bioinformatics (Martin Vingron, Max von Kleist, Jana Wolf)
      Zeit: Di 12:00-14:00 (Erster Termin: 15.04.2025)
      Ort: A3/SR 120 (Arnimallee 3-5)

      Kommentar

      Die Studierenden haben ein vertieftes Verständnis grundlegender mathematischer und algorithmischer Konzepte im Bereich der Modellierung, Simulation und Analyse von komplexen biologischen Systeme vor dem Hintergrund aktueller Forschungsrichtungen der Systembiologie und Biotechnologie. Sie sind in der Lage, eine gegebene biologische oder medizinische Fragestellung zu analysieren, einen geeigneten Modellierungsansatz auszuwählen, eigenständig eine Problemlösung zu entwickeln sowie die Ergebnisse zu beurteilen und zu kommunizieren.

      Inhalte:

      Es werden vertieft Themen aus folgenden Gebieten behandelt:

      - Netzwerkstrukturanalyse

      - Graphische Modellierung

      - Modellierung biochemischer Netzwerke mit gewöhnlichen Differentialgleichungen

      - Diskrete Modellierung regulatorischer Netzwerke

      - Constraint-basierte Modellierung

      - Stochastische und hybride Modellierung

      Literaturhinweise

      wird in der Veranstaltung bekanntgegeben.
    • 19405202 Übung
      Übung zu Complex Systems in Bioinformatics (Martin Vingron, Max von Kleist, Jana Wolf)
      Zeit: Di 14:00-16:00 (Erster Termin: 15.04.2025)
      Ort: A3/SR 120 (Arnimallee 3-5)
    • 19405211 Seminar
      Seminar zu Complex Systems in Bioinformatics (Martin Vingron, Max von Kleist, Jana Wolf)
      Zeit: Do 10:00-12:00 (Erster Termin: 17.04.2025)
      Ort: A3/SR 119 (Arnimallee 3-5)

  • Ethics and Policy Questions

    0262cB1.13
    • 60103407 Integrierte Veranstaltung
      Ethics and Policy Questions (Ulrike Grittner, Fabian Prasser, Daniel Strech)
      Zeit: Di 16:00-18:00 (Erster Termin: 15.04.2025)
      Ort: A6/SR 031 Seminarraum (Arnimallee 6)

      Kommentar

      Basic scientific and philosophical concepts are conveyed for dealing with bioethical issues. Topics are dealt with such as big data and health, fertilization, embryo adoption, three-parent babies, reproductive and therapeutic cloning, genetic diagnosis, alterations to plant, animal and human genomes, human-animal beasts, brain death and organ donation, vaccination as a duty. The participants learn to make well-founded judgments on relevant bioethical issues.

  • Research Internship

    0262cB1.4

  • Data Science in the Life Sciences

    0590aB2.1
    • 19405606 Seminaristischer Unterricht
      Data Science in the Life Sciences (Katharina Jahn)
      Zeit: Mo 10:00-14:00 (Erster Termin: 14.04.2025)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Kommentar

      This course offers an introduction to various types of data and analysis techniques which are typically used in the life sciences (e.g. omics technologies). The goal is to get a deeper understanding of advanced concepts and data analytical methods in the area of life sciences.

      The focus will be on the following topics:

      • acquisition and pre-processing of data from the area of life sciences,
      • explorative analysis techniques,
      • concepts and tools for reproducible research,
      • theory and practice of methods and models for the analysis of data from the life sciences (statistical inference, regression models, methods of machine learning),
      • introduction to methods of big data analysis.

      After successful completion of this course, participants are able to evaluate, plan and conduct investigations in the life sciences using common methods.

       
    • 19405612 Projektseminar
      Projektseminar zu Data Science in the Life Sciences (Katharina Jahn)
      Zeit: Mi 10:00-14:00 (Erster Termin: 16.04.2025)
      Ort: A6/SR 031 Seminarraum (Arnimallee 6)

  • Data Science in Life Sciences

    0590bB1.1
    • 19405606 Seminaristischer Unterricht
      Data Science in the Life Sciences (Katharina Jahn)
      Zeit: Mo 10:00-14:00 (Erster Termin: 14.04.2025)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Kommentar

      This course offers an introduction to various types of data and analysis techniques which are typically used in the life sciences (e.g. omics technologies). The goal is to get a deeper understanding of advanced concepts and data analytical methods in the area of life sciences.

      The focus will be on the following topics:

      • acquisition and pre-processing of data from the area of life sciences,
      • explorative analysis techniques,
      • concepts and tools for reproducible research,
      • theory and practice of methods and models for the analysis of data from the life sciences (statistical inference, regression models, methods of machine learning),
      • introduction to methods of big data analysis.

      After successful completion of this course, participants are able to evaluate, plan and conduct investigations in the life sciences using common methods.

       
    • 19405612 Projektseminar
      Projektseminar zu Data Science in the Life Sciences (Katharina Jahn)
      Zeit: Mi 10:00-14:00 (Erster Termin: 16.04.2025)
      Ort: A6/SR 031 Seminarraum (Arnimallee 6)

  • Advanced Algorithms for Bioinformatics

    0262cB3.1
    • 19405301 Vorlesung
      Advanced Algorithms in Bioinformatics (Hugues Richard)
      Zeit: Di 10:00-12:00 (Erster Termin: 15.04.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)

      Kommentar

      Ziele:

      Die Studentinnen und Studenten erlangen ein tieferes Verständnis für grundlegende algorithmische Konzepte im Bereich der Analyse genomischer Sequenzen vor dem Hintergrund aktueller Forschungsrichtungen der Bioinformatik und Biotechnologie. Sie verstehen verschiedene Paradigmen zur approximativen Suche, sie wissen, unter welchen Voraussetzungen bestimmte Algorithmen anderen vorzuziehen sind, und können wissenschaftliche Publikationen auf dem Gebiet entsprechend einschätzen.

      Es werden vertieft Themen aus beispielsweise folgenden Gebieten behandelt:

      • Paradigmen für approximative, semiglobale Alignments (read mapping)
      • Methoden zur Genomassemblierung und Metagenomassemblierung
      • Methoden zum Bestimmen genetischer Variationen (SNVs, SNPs, CNVs)
      • Algorithmische Probleme bei der Quantifizierung mit Hilfe von NGS Daten

      Alle weiteren Informationen im Whiteboard: https://mycampus.imp.fu-berlin.de/portal
    • 19405302 Übung
      Übung zu Advanced Algorithms in Bioinformatics (Jonas Schulte-Mattler)
      Zeit: Di 08:00-10:00 (Erster Termin: 15.04.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)
    • 19405311 Seminar
      Seminar zu Advanced Algorithms in Bioinformatics (Hugues Richard)
      Zeit: Do 12:00-14:00 (Erster Termin: 17.04.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)

  • Methodology for clinical trials

    0262cD1.10

  • Advanced Biometrical Methods

    0262cD1.11

  • Applied Machine Learning in Bioinformatics

    0262cD1.12
    • 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.

       
    • 60103513 Praxisseminar
      Computer vision for biomedical images (Sören Lukassen)
      Zeit: Do 14:00-18:00 (Erster Termin: 17.04.2025)
      Ort: A6/017 Frontalunterrichtsraum (Bioinf) (Arnimallee 6)

      Kommentar

      Imaging techniques have become an integral component of both biomedical research and clinical practice. At the same time, automated image analysis has experienced significant progress, driving technologies ranging from image search to autonomous vehicles. This automation is increasingly applied to biomedical images. However, adapting computer vision algorithms for biomedical images introduces unique challenges due to their distinct properties uncommon in other imaging datasets.

      In this course, you will explore the prevalent imaging modalities within biomedicine, including CT scans, MRI, ultrasound, and whole-slide microscopy images. We will investigate the common data formats for these images, understanding what distinguishes them from typical jpeg or png files, and how these distinctions can facilitate their efficient analysis. After an introduction to basic computer vision algorithms, we will trace the evolution of classification and segmentation models in this domain over the last decade, starting with convolutional neural networks and culminating with cutting-edge architectures such as vision transformers. Through practical exercises, you will apply your knowledge to a dataset of histology slide images from cancer patients, aiming to predict the tumor's stage and location. Additionally, we will investigate how your models arrive at their predictions, identifying the data patterns they consider informative and connecting these insights to the pathophysiological alterations within tumor tissues.

      Our models will be built using the pytorch package in Python. While familiarity with coding neural networks is not a prerequisite, prior experience in general Python programming is expected.

      By the conclusion of this course, you will be equipped to develop segmentation and classification models for biomedical images, recognize common pitfalls and artifacts, explain how your models arrive at their predictions, and effectively communicate your findings.

  • Applied Sequence Analysis

    0262cD1.18
    • 19400313 Praxisseminar
      Angewandte Sequenzanalyse (Sandro Andreotti)
      Zeit: Fr 12:00-16:00 (Erster Termin: 25.04.2025)
      Ort: A6/017 Frontalunterrichtsraum (Bioinf) (Arnimallee 6)

      Kommentar

      Ziel der Lehrveranstaltung:

      Die Studentinnen und Studenten können Standardprogramme im Bereich der Sequenzanalyse selbständig benutzen. Sie kennen die verschiedenen Konzepte und sind in der Lage, ausgewählte Systeme zu bedienen und zu programmieren. Die Studentinnen und Studenten können neue Workflows konzipieren und die Ergebnisse grafisch aufbereiten.

      Aufbau der Lehrveranstaltung:

      Nach einer Einführung in ein Workflow Management System, erarbeiten die Teilnehmenden eigenständig - zunehmend komplexe - Analyse Pipelines für typische bioinformatische Fragestellungen wie beispielsweise:

      • Genom Assembly, Annotation, Vergleiche, Phylogenie,…
      • Differentielle Genexpressionsanalyse
      • Metagenomische Analyse

      Dabei werden alle Schritte, von der Qualitätskontrolle und Präprozessierung bis zur statistischen Auswertung betrachtet und durch existierende Software implementiert. Darüber hinaus wird sichergestellt, dass die Implementierungen reproduzierbar, portierbar und skalierbar sind.

      Am Ende des Kurses werden Sie in der Lage sein, Lösungen für komplexe bioinformatische Fragestellungen zu erarbeiten, mögliche Fallstricke mitzudenken und darauf zu reagieren. Darüber hinaus haben Sie einen guten Überblick über vorhandene Programme für diverse Anwendungen und wissen auch wie sie manches Tool für andere Zwecke verwenden / anpassen können. Zusätzlich werden Sie nach dem Kurs die Standard Dateiformate im Zusammenhang mit Sequenzdaten, Genomen, Annotationen, Variant Calling, etc. beherrschen und ein Gefühl für die Arbeit mit (realistisch) großen Datensätzen entwickelt haben.

  • Human Evolution

    0262cD1.2
    • 23784a Vorlesung
      V Human Evolution (Vladimir Jovanovic, Katja Nowick, Vanessa Schulmann)
      Zeit: 1. Block: täglich 14.04. - 05.05.2025; 10:00 - 12:00 (Erster Termin: 14.04.2025)
      Ort: Seminarraum 010/011 (Königin-Luise-Straße 1/3)

      Hinweise für Studierende

      Additional module information: Modulbeschreibung der Modulvariante Human Evolution

      UN Sustainable Development Goals (SDGs): 1, 4, 6

      Zusätzl. Angaben / Voraussetzungen

      Please bring your laptop to the course!

      Kommentar

      The focus will be on molecular human evolution and include topics such as:
      Comparison of humans to other primates at the level of genomes, transcriptomes, phenotypes, cognitive abilities Archaic humans, Neolithic revolution, Modern humans, Adaptation, Evolutionary medicine

    • 23784b Seminar
      S I Human Evolution (Vladimir Jovanovic, Katja Nowick, Vanessa Schulmann)
      Zeit: 1. Block: täglich 14.04. - 05.05.2025; 12:00 - 13:00 (Erster Termin: 14.04.2025)
      Ort: Seminarraum 010/011 (Königin-Luise-Str. 1/3)

      Hinweise für Studierende

      Additional module information: Modulbeschreibung der Modulvariante Human Evolution

      UN Sustainable Development Goals (SDGs): 1, 4, 6

      Zusätzl. Angaben / Voraussetzungen

      Please bring your laptop to the course!

      Kommentar

      Inhalt:
      Further discussions of topics of the lectures

    • 23784c Seminar am PC
      S II Human Evolution (Vladimir Jovanovic, Katja Nowick, Vanessa Schulmann)
      Zeit: 1. Block: täglich 14.04. - 05.05.2025; 13:00 - 17:00 (Erster Termin: 14.04.2025)
      Ort: Seminarraum 010/011 (Königin-Luise-Str. 1/3)

      Hinweise für Studierende

      Additional module information: Modulbeschreibung der Modulvariante Human Evolution

      UN Sustainable Development Goals (SDGs): 1, 4, 6

      Zusätzl. Angaben / Voraussetzungen

      Please bring your laptop to the course!

      Kommentar

      Using the computer, analyses in topics such as the following will be conducted: Sequence comparisons of selected genomic regions, transcriptome analyses, statistical tests for selection, genome browser, biological databases, reconstruction of migration, population genomics.

  • Current topics in medical genomics

    0262cD1.20
    • 19406213 Praxisseminar
      SARS-CoV-2 Bioinformatics & Data Science (Max von Kleist, Martin Hölzer)
      Zeit: Zweiwöchige Blockveranstaltung in den Semesterferien (Erster Termin: 29.09.2025)
      Ort: A6/017 Frontalunterrichtsraum (Bioinf) (Arnimallee 6)

      Kommentar

      S. englische Seite

  • Current topics in cell-physiology

    0262cD1.4
    • 60100613 Praxisseminar
      Aktuelle zellphysiologische Fragestellungen (Dorothee Günzel)
      Zeit: zweiwöchige Blockveranstaltung
      Ort: keine Angabe

      Zusätzl. Angaben / Voraussetzungen

      Bitte Laborkittel mitbringen, wenn vorhanden!

      Kommentar

      Bockveranstaltung in der vorlesungsfreien Zeit, Termin: tba (zwei Wochen, ganztägig)

      Ort: Charité Campus Benjamin Franklin (Steglitz, Hindenburgdamm 30), Institut für Klinische Physiologie

      Informationen zur Veranstaltung: http://klinphys.charite.de/bioinfo/

      oder bei Dorothee Günzel

      Im Rahmen dieses Kurses werden durch Homologie-Modelling Protein-Strukturmodelle erstellt und Hypothesen aufgestellt, welche Aminosäuren für die Struktur von herausragender Bedeutung sein sollten. Diese Hypothesen werden anhand von molekularbiologischen Arbeiten überprüft (z.B. ortsgerichtete Mutagenese mittels two-step PCR o.ä.). Die Konstrukte werden in Expressionsvektoren kloniert, in Bakterien transformiert und vermehrt, extrahiert, sequenziert und in der Zellkultur überexprimiert.

      Diese Zellen werden u.a. im konfokalen Laserscanning-Mikroskop analysiert und die Ergebnisse in Hinblick auf die ursprüngliche Hypothese interpretiert.

      Der experimentelle Teil wird von Seminaren zum theoretischen Hintergrund und zu den verwendeten Methoden flankiert.

      Das genaue Kursprogramm hängt von den laufenden Forschungsaktivitäten des Institut ab und ist eng in laufende Projekte eingebunden.

      Literaturhinweise

      Milatz S, Piontek J, Hempel C, Meoli L, Grohe C, Fromm A, Lee IM, El-Athman R, Günzel D (2017) Tight junction strand formation by claudin-10 isoforms and claudin-10a/-10b chimeras. Ann. N.Y. Acad. Sci. 1405: 102-115 (https://www.ncbi.nlm.nih.gov/pubmed/28633196)

      Piontek J, Winkler L, Wolburg H, Müller SL, Zuleger N, Piehl C, Wiesner B, Krause G, Blasig IE (2008) Formation of tight junction: determinants of homophilic interaction between classic claudins. FASEB J. 22: 146-158 (https://www.ncbi.nlm.nih.gov/pubmed/17761522)

       
    • 60103513 Praxisseminar
      Computer vision for biomedical images (Sören Lukassen)
      Zeit: Do 14:00-18:00 (Erster Termin: 17.04.2025)
      Ort: A6/017 Frontalunterrichtsraum (Bioinf) (Arnimallee 6)

      Kommentar

      Imaging techniques have become an integral component of both biomedical research and clinical practice. At the same time, automated image analysis has experienced significant progress, driving technologies ranging from image search to autonomous vehicles. This automation is increasingly applied to biomedical images. However, adapting computer vision algorithms for biomedical images introduces unique challenges due to their distinct properties uncommon in other imaging datasets.

      In this course, you will explore the prevalent imaging modalities within biomedicine, including CT scans, MRI, ultrasound, and whole-slide microscopy images. We will investigate the common data formats for these images, understanding what distinguishes them from typical jpeg or png files, and how these distinctions can facilitate their efficient analysis. After an introduction to basic computer vision algorithms, we will trace the evolution of classification and segmentation models in this domain over the last decade, starting with convolutional neural networks and culminating with cutting-edge architectures such as vision transformers. Through practical exercises, you will apply your knowledge to a dataset of histology slide images from cancer patients, aiming to predict the tumor's stage and location. Additionally, we will investigate how your models arrive at their predictions, identifying the data patterns they consider informative and connecting these insights to the pathophysiological alterations within tumor tissues.

      Our models will be built using the pytorch package in Python. While familiarity with coding neural networks is not a prerequisite, prior experience in general Python programming is expected.

      By the conclusion of this course, you will be equipped to develop segmentation and classification models for biomedical images, recognize common pitfalls and artifacts, explain how your models arrive at their predictions, and effectively communicate your findings.

  • Computational Systems Biology

    0262cD1.5
    • 19400813 Praxisseminar
      Rechnergestützte Systembiologie (Jana Wolf)
      Zeit: Termine siehe LV-Details (Erster Termin: 08.09.2025)
      Ort: A6/017 Frontalunterrichtsraum (Bioinf) (Arnimallee 6)

      Kommentar

      Inhalt:

      Im Praxisseminar geht es um die Modellierung molekularer Netzwerke mittels diskreter/logischer Methoden und Differentialgleichungen. Im Laufe des Semesters werden theoretische Grundlagen erarbeitet, Tools vorgestellt und in Gruppen Modelle ausgesuchter Systeme auf Basis von Fachartikeln analysiert.


      Zielgruppe:

      Studierende im Master Bioinformatik ab dem 2. Semester.

  • Machine Learning in Bioinformatics

    0262cD1.7
    • 19405701 Vorlesung
      Machine Learning in Bioinformatics (Philipp Florian Benner, Hugues Richard)
      Zeit: Mo 08:00-10:00 (Erster Termin: 14.04.2025)
      Ort: A6/SR 025/026 Seminarraum (Arnimallee 6)

      Kommentar

      Dieser Kurs führt Schlüsselkonzepte des maschinellen Lernens ein und wird von Tutorien und Übungsaufgaben begleitet, in denen Methoden des maschinellen Lernens auf aktuelle Probleme der Bioinformatik angewendet werden. Nach einer kurzen Wiederholung der Wahrscheinlichkeitstheorie stellen wir probabilistische Methoden zur Klassifikation und Sequenzanalyse vor (Naive Bayes, Mixture Models, Hidden Markov Models). Wir diskutieren die Erwartungs-Maximierung (EM) aus probabilistischer Perspektive und verwenden sie für die Sequenzanalyse. Lineare und logistische Regression dienen als Einstiegspunkt für komplexere Methoden des maschinellen Lernens, einschließlich Kernel-Methoden und neuronale Netze. Die Vorlesung behandelt mehrere neuronale Netzwerkarchitekturen (CNNs, GNN, Transformers), die derzeit in der Bioinformatik-Community und anderen Forschungsbereichen verwendet werden. In den Tutorien und im Rahmen von Übungsaufgaben werden ausgewählte Machine-Learning-Modelle mit scikit-learn und pytorch in Python implementiert. Der Kurs soll es den Studierenden ermöglichen, alle gängigen Techniken des maschinellen Lernens zu verstehen und State-of-the-Art-Klassifizierungsstrategien zu entwickeln, die dann auf Probleme in der Bioinformatik und verwandten Bereichen angewendet werden können.   Inhalte:
      - Naive Bayes
      - Clustering und Mixture Models
      - Hidden Markov Models
      - Regression und Partial Least Squares
      - Kernel Methods
      - Neural Networks und Architekturen
      - Regularization und Model Selection   Voraussetzungen:
      - Lineare Algebra (einfache Vector- and Matrixalgebra)
      - Analysis (mathematische Optimierung, Lagrange)
      - Programmierkenntnisse in Python -- einschließlich objektorientierte Programmierung
      - Grundlegende Kenntnisse oder starkes Interesse in molekularer Biologie und Anwendungen in der Bioinformatik

    • 19405702 Übung
      Übung zu Machine Learning in Bioinformatics (Philipp Florian Benner, Hugues Richard)
      Zeit: Mi 08:00-10:00 (Erster Termin: 16.04.2025)
      Ort: A7/SR 031 (Arnimallee 7)

  • Complex Data Analysis in Physiology

    0262cD1.9
    • 60102701 Vorlesung
      Complex Data Analysis in Physiology (Dorothee Günzel)
      Zeit: Mo 14:30-18:30 (Erster Termin: 14.04.2025)
      Ort: keine Angabe

      Kommentar

      Gemeinsame Veranstaltung des Instituts für Klinische Physiologie und des Instituts für Physiologie der Charité.

      Theoretische und praktische Aspekte der Daten-Akquise, real-time Daten-Verarbeitung und automatisierte Mustererkennung in der Biomedizin. Es werden vertieft Themen aus folgenden Gebieten behandelt:

      • Datenerfassung und Prozessierung von Bilddateien in Forschung und Klinik (z. B. Live Cell Imaging, Super-Resolution-Mikroskopie, bildgebende Verfahren in der Medizin)
      • Elektrophysiologische Verfahren (z. B. Impedanzspektroskopie, Microarrays, EEG, EKG)
      • Verfahren und Anwendung automatisierter Mustererkennung (z. B. automatisierte Tumorerkennung, real-time Analyse biologischer Signale im Brain-Computer Interface oder in Retinaimplantaten, Vorhersage von individuellen Arrhythmierisiken)

      Der Kurs ist zeitlich geteilt: die ersten sieben Termine im Semester finden am Institut für Physiologie statt, die zweiten sieben Termine am Instituts für Klinische Physiologie.

      Weitere Informationen zur Veranstaltung: http://klinphys.charite.de/bioinfo/ oder bei Dorothee Günzel
    • 60102702 Übung
      Übung zu Complex Data Analysis in Physiology (Dorothee Günzel)
      Zeit: s. Vorlesung
      Ort: keine Angabe

  • Current research topics in Bioinformatics A

    0262cD2.1
    • 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.
    • 19404811 Seminar
      Computational Meta-Omics (Thilo Muth)
      Zeit: Do 10:00-12:00 (Erster Termin: 17.04.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Kommentar

      S. englischen Text
    • 19406411 Seminar
      Journal Club: Public Health Data Science (Max von Kleist)
      Zeit: Time: Wedneysday 10:00am First occasion: 23.April Last occasion: 23.July
      Ort: Meeting link: https://rki.webex.com/rki/j.php?MTID=mab87f7d0fb44ca448f53d4a69c179d77

      Kommentar

      In diesem Seminar werden aktuelle Forschungsarbeiten im Bereich der datengetriebenen public health Forschung, sowie die Fortschrittsberichte der PhD-Student*inn*en und Post-Docs vorgestellt. Master-Student*inn*en stellen entweder einen ihnen zugewiesenen Zeitschriftenartikel oder ihre Masterarbeit vor oder sie berichten über ihr Forschungspraktikum. Credits werden nur für die Präsentation von Artikeln vergeben.

      Online-Veranstaltung

      Meeting link: https://rki.webex.com/rki/j.php?MTID=mab87f7d0fb44ca448f53d4a69c179d77 Time: Wedneysday 10:00am   First occasion: 23.April Last occasion: 23.July

    • 19406611 Seminar
      Journal Club: Biomedical Data Science (Katharina Jahn)
      Zeit: Do 10:00-12:00 (Erster Termin: 17.04.2025)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Kommentar

      In this seminar, we study current research publications in biomedical data science. Master students either present a research article, or their master thesis, or they present about their research internship. Credit points can only be earned for the presentation of research articles.
    • 60103311 Seminar
      Spatial Sequencing Analysis (Journal Club) (Christian Conrad)
      Zeit: Fr 10:00-12:00 (Erster Termin: 25.04.2025)
      Ort: A6/SR 009 Seminarraum (Arnimallee 6)

      Kommentar

      See English version

      For question or more information please contact: christian.conrad@bih-charite.de

  • Current research topics in Bioinformatics B

    0262cD2.2
    • 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.
    • 19404811 Seminar
      Computational Meta-Omics (Thilo Muth)
      Zeit: Do 10:00-12:00 (Erster Termin: 17.04.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Kommentar

      S. englischen Text
    • 19406411 Seminar
      Journal Club: Public Health Data Science (Max von Kleist)
      Zeit: Time: Wedneysday 10:00am First occasion: 23.April Last occasion: 23.July
      Ort: Meeting link: https://rki.webex.com/rki/j.php?MTID=mab87f7d0fb44ca448f53d4a69c179d77

      Kommentar

      In diesem Seminar werden aktuelle Forschungsarbeiten im Bereich der datengetriebenen public health Forschung, sowie die Fortschrittsberichte der PhD-Student*inn*en und Post-Docs vorgestellt. Master-Student*inn*en stellen entweder einen ihnen zugewiesenen Zeitschriftenartikel oder ihre Masterarbeit vor oder sie berichten über ihr Forschungspraktikum. Credits werden nur für die Präsentation von Artikeln vergeben.

      Online-Veranstaltung

      Meeting link: https://rki.webex.com/rki/j.php?MTID=mab87f7d0fb44ca448f53d4a69c179d77 Time: Wedneysday 10:00am   First occasion: 23.April Last occasion: 23.July

    • 19406611 Seminar
      Journal Club: Biomedical Data Science (Katharina Jahn)
      Zeit: Do 10:00-12:00 (Erster Termin: 17.04.2025)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Kommentar

      In this seminar, we study current research publications in biomedical data science. Master students either present a research article, or their master thesis, or they present about their research internship. Credit points can only be earned for the presentation of research articles.
    • 60103311 Seminar
      Spatial Sequencing Analysis (Journal Club) (Christian Conrad)
      Zeit: Fr 10:00-12:00 (Erster Termin: 25.04.2025)
      Ort: A6/SR 009 Seminarraum (Arnimallee 6)

      Kommentar

      See English version

      For question or more information please contact: christian.conrad@bih-charite.de

  • Current research topics in Bioinformatics C

    0262cD2.3
    • 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.
    • 19404811 Seminar
      Computational Meta-Omics (Thilo Muth)
      Zeit: Do 10:00-12:00 (Erster Termin: 17.04.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Kommentar

      S. englischen Text
    • 19406411 Seminar
      Journal Club: Public Health Data Science (Max von Kleist)
      Zeit: Time: Wedneysday 10:00am First occasion: 23.April Last occasion: 23.July
      Ort: Meeting link: https://rki.webex.com/rki/j.php?MTID=mab87f7d0fb44ca448f53d4a69c179d77

      Kommentar

      In diesem Seminar werden aktuelle Forschungsarbeiten im Bereich der datengetriebenen public health Forschung, sowie die Fortschrittsberichte der PhD-Student*inn*en und Post-Docs vorgestellt. Master-Student*inn*en stellen entweder einen ihnen zugewiesenen Zeitschriftenartikel oder ihre Masterarbeit vor oder sie berichten über ihr Forschungspraktikum. Credits werden nur für die Präsentation von Artikeln vergeben.

      Online-Veranstaltung

      Meeting link: https://rki.webex.com/rki/j.php?MTID=mab87f7d0fb44ca448f53d4a69c179d77 Time: Wedneysday 10:00am   First occasion: 23.April Last occasion: 23.July

    • 19406611 Seminar
      Journal Club: Biomedical Data Science (Katharina Jahn)
      Zeit: Do 10:00-12:00 (Erster Termin: 17.04.2025)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Kommentar

      In this seminar, we study current research publications in biomedical data science. Master students either present a research article, or their master thesis, or they present about their research internship. Credit points can only be earned for the presentation of research articles.
    • 60103311 Seminar
      Spatial Sequencing Analysis (Journal Club) (Christian Conrad)
      Zeit: Fr 10:00-12:00 (Erster Termin: 25.04.2025)
      Ort: A6/SR 009 Seminarraum (Arnimallee 6)

      Kommentar

      See English version

      For question or more information please contact: christian.conrad@bih-charite.de

  • Special aspects of Bioinformatics A

    0262cD2.4
    • 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)

  • Special aspects of Bioinformatics B

    0262cD2.5
    • 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)

  • Special aspects of Bioinformatics C

    0262cD2.6
    • 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)

  • Module ohne Lehrangebot in diesem Semester

    51 Module
    • Foundations in Computer Science 0262cA1.1
    • Foundations in Mathematics and Statistics 0262cA1.2
    • Foundations in Bio-Medicine 0262cA1.3
    • Introduction to Focus-Areas 0262cA1.4
    • Computer-Aided Drug Design 0262cB1.10
    • Current topics in cell-physiology 0262cB1.11
    • Computational Systems Biology 0262cB1.12
    • Complex Systems in Biomedical Applications 0262cB1.2
    • Ethics and Policy Questions 0262cB1.3
    • Current research topics in Complex Systems 0262cB1.5
    • Advanced Network Analysis 0262cB1.6
    • Human Evolution 0262cB1.7
    • Special aspects of Complex Systems 0262cB1.8
    • Selected topics in Complex Systems 0262cB1.9
    • Netzbasierte Informationssysteme 0089cA1.13
    • Verteilte Systeme 0089cA1.20
    • Spezielle Aspekte der Datenverwaltung 0089cA1.29
    • Special aspects of Data Science in the Life Sciences 0262cB2.10
    • Selected topics in Data Science in the Life Sciences 0262cB2.11
    • Current topics in medical genomics 0262cB2.12
    • Machine Learning in Bioinformatics 0262cB2.13
    • Advanced Biometrical Methods 0262cB2.18
    • Applied Machine Learning in Bioinformatics 0262cB2.19
    • Medical Bioinformatics 0262cB2.4
    • Current research topics in Data Science in Life Sciences 0262cB2.5
    • Machine Learning in Bioinformatics 0262cB2.6
    • Big Data Analysis in Bioinformatics 0262cB2.7
    • Complex Data Analysis in Physiology 0262cB2.8
    • Methodology for clinical trials 0262cB2.9
    • Höhere Algorithmik 0089cA2.1
    • Applied Sequence Analysis 0262cB3.10
    • Environmental metagenomics 0262cB3.11
    • Current topics in structural bioinformatics 0262cB3.15
    • Methods in Life Sciences 0262cB3.16
    • Methods in Life Sciences 0262cB3.2
    • Biodiversity and Evolution 0262cB3.5
    • Structural Bioinformatics 0262cB3.6
    • Current research topics in Advanced Algorithms 0262cB3.7
    • Selected topics in Advanced Algorithms 0262cB3.8
    • Special aspects of Advanced Algorithms 0262cB3.9
    • Advanced Network Analysis 0262cD1.1
    • Biodiversity and Evolution 0262cD1.16
    • Structural Bioinformatics 0262cD1.17
    • Environmental metagenomics 0262cD1.19
    • Current topics in structural bioinformatics 0262cD1.21
    • Computer-Aided Drug Design 0262cD1.3
    • Medical Bioinformatics 0262cD1.6
    • Big Data Analysis in Bioinformatics 0262cD1.8
    • Selected topics in Bioinformatics A 0262cD2.7
    • Selected topics in Bioinformatics B 0262cD2.8
    • Begleitendes Kolloquium 0262cE1.2