Inhalt:

• Theoretische Rechnermodelle
  • Automaten
  • formale Sprachen
  • Grammatiken und die Chomsky-Hierarchie
  • Turing-Maschinen
  • Berechenbarkeit
• Einführung in die Komplexität von Problemen

• Uwe Schöning, Theoretische Informatik kurzgefasst, 5. Auflage, Spektrum Akademischer Verlag, 2008
• John E. Hopcroft, Rajeev Motwani, Jeffrey D. Ullman, Einführung in die Automatentheorie, Formale Sprachen und Komplexität, Pearson Studium, 3. Auflage, 2011
• Ingo Wegener: Theoretische Informatik - Eine algorithmenorientierte Einführung, 2. Auflage, Teubner, 1999
• Michael Sipser, Introduction to the Theory of Computation, 2nd ed., Thomson Course Technology, 2006
• Wegener, Kompendium theoretische Informatik - Eine Ideensammlung, Teubner 1996

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.

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

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

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

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

In der Vorlesung werden die grundlegenden Methoden aus der Vorlesung „Statistik für Biowissenschaften I“ erweitert und vertieft. Weiterhin wird er starker Fokus auf die Anwendung der besprochenen statistischen Verfahren und Methoden gelegt. Nach einer kurzen orientierenden Einführung, die die Grundlagen aus "Statistik für Biowissenschaften I" und somit die beschreibende und schließende Statistik wiederholt, werden folgende Themenbereiche ausführlicher behandelt:

1. PCA/Cluster/Klassifizierung
2. Faktoranalyse
3. Missing Values
4. Einführung: Nichtparametrik, Ausreißer
5. Multiples Testen /Posthoc-Tests
6. Regression - Diagnostische Studien mit der Vertiefung logistische Regression & ROC
7. Regression - Überlebenszeitanalyse
8. Regression - Variablenselektion
9. Regression - Varianzanalyse (mit Messwiederholung)
10. Regression - Gemischte Modelle

Zu allen Themen werden wöchentlich Übungsaufgaben, viele mit Bezug zu den Lebenswissenschaften, gestellt. Die Aufgaben werden gemischt handschriftlich und mit der Statistiksoftware R bearbeitet (Bezug über http://www.r-project.org/). Ein grundlegendes Verständnis von R Programmierung wird vorausgesetzt.

Inhalte:

Zelluläre Grundlagen, Muskel, Herz, Kreislauf, Atmung, Wärmehaushalt, Nierenfunktion, Energie/Leistung

Weitere Informationen und Veranstaltungszeiten:

https://physiologie-ccm.charite.de/studium_lehre_am_institut/bioinformatik/

https://physiologie-ccm.charite.de/studium_lehre_am_institut/bioinformatik/

https://physiologie-ccm.charite.de/studium_lehre_am_institut/bioinformatik/

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.

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

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

Inhalt:

• Theoretische Rechnermodelle
  • Automaten
  • formale Sprachen
  • Grammatiken und die Chomsky-Hierarchie
  • Turing-Maschinen
  • Berechenbarkeit
• Einführung in die Komplexität von Problemen

• Uwe Schöning, Theoretische Informatik kurzgefasst, 5. Auflage, Spektrum Akademischer Verlag, 2008
• John E. Hopcroft, Rajeev Motwani, Jeffrey D. Ullman, Einführung in die Automatentheorie, Formale Sprachen und Komplexität, Pearson Studium, 3. Auflage, 2011
• Ingo Wegener: Theoretische Informatik - Eine algorithmenorientierte Einführung, 2. Auflage, Teubner, 1999
• Michael Sipser, Introduction to the Theory of Computation, 2nd ed., Thomson Course Technology, 2006
• Wegener, Kompendium theoretische Informatik - Eine Ideensammlung, Teubner 1996

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.

• 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.

• Vektorraum, Basis und Dimension;
• lineare Abbildung, Matrix und Rang;
• Gauss-Elimination und lineare Gleichungssysteme;
• Determinanten, Eigenwerte und Eigenvektoren;
• Euklidische Vektorräume und Orthonormalisierung;
• Hauptachsentransformation
• Grundlagen der Algebra und Zahlentheorie

• Albrecht Beutelspacher. Mathe-Basics zum Studienbeginn: Survival-Kit Mathematik. Springer Vieweg, 2. Auflage, Wiesbaden 2016.
• Peter Hartmann. Mathematik für Informatiker. Springer Vieweg, 6. Auflage, Wiesbaden 2015.
• Gerald Teschl und Susanne Teschl. Mathematik für Informatiker - Band 1: Diskrete Mathematik und Lineare Algebra, Springer Vieweg, 4. Auflage, Berlin Heidelberg 2013.
• Thomas Westermann. Mathematik für Ingenieure. Springer Vieweg, 7. Auflage, Berlin Heidelberg 2015.
• Kurt-Ulrich Witt. Lineare Algebra für die Informatik. Springer Vieweg, 1. Auflage, Wiesbaden 2013.

Inhalte:

Zelluläre Grundlagen, Muskel, Herz, Kreislauf, Atmung, Wärmehaushalt, Nierenfunktion, Energie/Leistung

Weitere Informationen und Veranstaltungszeiten:

https://physiologie-ccm.charite.de/studium_lehre_am_institut/bioinformatik/

https://physiologie-ccm.charite.de/studium_lehre_am_institut/bioinformatik/

https://physiologie-ccm.charite.de/studium_lehre_am_institut/bioinformatik/

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

wird in der Veranstaltung bekanntgegeben.

Thema bitte individuell mit einem Betreuer absprechen.

Weitere Informationen: s. Homepage Bioinformatik

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.

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.

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.

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

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

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

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

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.

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)

Bitte Laborkittel mitbringen, wenn vorhanden!

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.

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.

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

Siehe englische Beschreibung.

Siehe englische Beschreibung.

In this course, you will learn the basic statistical and algorithmic concepts in Machine Learning, focusing on their practical applications in bioinformatics. You will have the opportunity to work on practical problems and implement and use the methods learned during lectures to analyze biological datasets, drawing examples and case studies from research conducted at the Zuse Institute Berlin, specifically from the department of Visual and Data-centric Computing. This department specializes in developing tools for extracting insights from various datasets across fields including biology, biophysics, neuroscience, and medicine.

We will cover topics like data pre-processing, model implementations, and analysis methods. You will learn about models for regression, clustering, and classification, feature selection, and advanced data preprocessing, such as imputation. We will also cover Deep Learning approaches.

Throughout the course, you will complete weekly exercises with a focus of implementation and data analysis, including written reports. These exercises are designed to reinforce the practical applications of the material covered in the lectures.

By the end of the course, you will be able to process data, choose appropriate models to answer specific questions, evaluate results, and effectively communicate your findings.

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.

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.

S. englische Seite

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.

[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

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

In diesem Hauptseminar lernen Sie verschiedenste Datenbanken, ihren Aufbau und ihre programmatische Nutzung kennen. Wichtiger Bestandteil wird zudem die Diskussion der Bedeutung der darin abgelegten Daten und ihre Nutzung anhand aktueller Forschungsarbeiten.

Beispiele für mögliche behandelte Datenbanken sind

• MIMIC (elektronische Krankenakten),
• STRING (Protein-Protein Interaktion),
• Drugbank (Medikamente),
• PRIDE (Proteinmessungen),
• GEO (für genomische Daten), etc.

Jede Datenbank soll am Ende des Vortrags im Kurs von allen Teilnehmenden vor Ort für die Beantwortung einer Frage benutzt werden (das Setup bereitet jeweils die vortragende Person vor) - bringen Sie also Ihren Laptop mit!

Bachelorstudierende können an diesem Seminar teilnehmen, aber Inhalte sind sehr fortgeschritten und stammen weitestgehend aus aktueller Forschung. Grundlegende Literatur ist auf Englisch, daher sind gute Englischkenntnise erforderlich.

Wir werden uns am Fr, 12.4.2024 um 10:15 Uhr (in einem hybriden Setting, bitte für Raum & Zugang die Ankündigung im Whiteboard beachten) zur Vorbesprechung und Themenvergabe treffen. Bitte kontaktieren Sie uns vorab (katharina.baum@fu-berlin.de), sollten Sie am Seminar teilnehmen wollen und diesen Termin nicht wahrnehmen können.

Inhalt:

In diesem Seminar werden aktuelle Forschungsarbeiten der Bioinformatik sowie die Fortschrittsberichte der PhD-Student*inn*en 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.

Anmeldungen bitte über Whiteboard ("Site Browser" aufrufen und nach Journal Club suchen).

aktuelle Publikationen aus der Forschung

Zielgruppe:

Master- und PhD-Student*inn*en

S. englischen Text

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.

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.

See English version

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.

[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

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

In diesem Hauptseminar lernen Sie verschiedenste Datenbanken, ihren Aufbau und ihre programmatische Nutzung kennen. Wichtiger Bestandteil wird zudem die Diskussion der Bedeutung der darin abgelegten Daten und ihre Nutzung anhand aktueller Forschungsarbeiten.

Beispiele für mögliche behandelte Datenbanken sind

• MIMIC (elektronische Krankenakten),
• STRING (Protein-Protein Interaktion),
• Drugbank (Medikamente),
• PRIDE (Proteinmessungen),
• GEO (für genomische Daten), etc.

Jede Datenbank soll am Ende des Vortrags im Kurs von allen Teilnehmenden vor Ort für die Beantwortung einer Frage benutzt werden (das Setup bereitet jeweils die vortragende Person vor) - bringen Sie also Ihren Laptop mit!

Bachelorstudierende können an diesem Seminar teilnehmen, aber Inhalte sind sehr fortgeschritten und stammen weitestgehend aus aktueller Forschung. Grundlegende Literatur ist auf Englisch, daher sind gute Englischkenntnise erforderlich.

Wir werden uns am Fr, 12.4.2024 um 10:15 Uhr (in einem hybriden Setting, bitte für Raum & Zugang die Ankündigung im Whiteboard beachten) zur Vorbesprechung und Themenvergabe treffen. Bitte kontaktieren Sie uns vorab (katharina.baum@fu-berlin.de), sollten Sie am Seminar teilnehmen wollen und diesen Termin nicht wahrnehmen können.

Inhalt:

In diesem Seminar werden aktuelle Forschungsarbeiten der Bioinformatik sowie die Fortschrittsberichte der PhD-Student*inn*en 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.

Anmeldungen bitte über Whiteboard ("Site Browser" aufrufen und nach Journal Club suchen).

aktuelle Publikationen aus der Forschung

Zielgruppe:

Master- und PhD-Student*inn*en

S. englischen Text

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.

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.

See English version

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.

[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

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

In diesem Hauptseminar lernen Sie verschiedenste Datenbanken, ihren Aufbau und ihre programmatische Nutzung kennen. Wichtiger Bestandteil wird zudem die Diskussion der Bedeutung der darin abgelegten Daten und ihre Nutzung anhand aktueller Forschungsarbeiten.

Beispiele für mögliche behandelte Datenbanken sind

• MIMIC (elektronische Krankenakten),
• STRING (Protein-Protein Interaktion),
• Drugbank (Medikamente),
• PRIDE (Proteinmessungen),
• GEO (für genomische Daten), etc.

Jede Datenbank soll am Ende des Vortrags im Kurs von allen Teilnehmenden vor Ort für die Beantwortung einer Frage benutzt werden (das Setup bereitet jeweils die vortragende Person vor) - bringen Sie also Ihren Laptop mit!

Bachelorstudierende können an diesem Seminar teilnehmen, aber Inhalte sind sehr fortgeschritten und stammen weitestgehend aus aktueller Forschung. Grundlegende Literatur ist auf Englisch, daher sind gute Englischkenntnise erforderlich.

Wir werden uns am Fr, 12.4.2024 um 10:15 Uhr (in einem hybriden Setting, bitte für Raum & Zugang die Ankündigung im Whiteboard beachten) zur Vorbesprechung und Themenvergabe treffen. Bitte kontaktieren Sie uns vorab (katharina.baum@fu-berlin.de), sollten Sie am Seminar teilnehmen wollen und diesen Termin nicht wahrnehmen können.

Inhalt:

In diesem Seminar werden aktuelle Forschungsarbeiten der Bioinformatik sowie die Fortschrittsberichte der PhD-Student*inn*en 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.

Anmeldungen bitte über Whiteboard ("Site Browser" aufrufen und nach Journal Club suchen).

aktuelle Publikationen aus der Forschung

Zielgruppe:

Master- und PhD-Student*inn*en

S. englischen Text

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.

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.

See English version

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.

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.

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.

Zu den Kommentaren der Veranstaltung

Zu den Kommentaren der Veranstaltung

Zu den Kommentaren der Veranstaltung

Weitere Informationen zur Veranstaltung findet Sie über unsere Webseite: Funpreneur - Das Gründungsseminar • Professur für Betriebswirtschaftslehre • Fachbereich Wirtschaftswissenschaft (fu-berlin.de)

Zu den Kommentaren der Veranstaltung

Inhalt

Die Vorlesung soll den Studierenden einen ersten strukturierten Überblick über das deutsche und europäische Datenschutzrecht nach der EU-Datenschutz-Grundverordnung vermitteln. Zudem werden aktuelle Brennpunkte des Datenschutzes vertieft behandelt.

Themenübersicht

• Geschichte des Datenschutzes
• Verfassungs- und europarechtliche Grundlagen
• Rechtsrahmen: EU-Datenschutz-Grundverordnung, Bundesdatenschutzgesetz, bereichsspezifisches Datenschutzrecht
• Grundbegriffe und Anwendungsbereich (u.a. automatisierte Verarbeitung, personenbezogene Daten, Marktortprinzip, besondere Datenkategorien)
• Adressaten datenschutzrechtlicher Pflichten (Verantwortliche, gemeinsam Verantwortliche, Auftragsverarbeiter)
• Grundprinzipien und Zulässigkeit der Datenverarbeitung (u.a. Einwilligung, Vertrag, Interessenabwägung)
• Betroffenenrechte (u.a. Auskunft, Löschung, Datenportabilität)
• Technischer Datenschutz: Privacy by Design, Datensicherheit, Datenschutz-Folgenabschätzung
• Durchsetzung des Datenschutzrechts: Kontrollsystem, Aufsichtsbehörden, Sanktionen, Zertifizierung
• Brennpunkte: Big Data, Algorithmen, Profiling, Soziale Netzwerke, intelligente Videoüberwachung, Arbeitnehmerdatenschutz

Material:

• Konferenz der Datenschutzbeauftragten des Bundes und der Länder, Kurzpapiere zur Datenschutz-Grundverordnung, https://www.lfd.niedersachsen.de/startseite/dsgvo/anwendung_dsgvo_kurzpapiere
• Konferenz der Datenschutzbeauftragten des Bundes und der Länder, Orientierungshilfen, https://www.bfdi.bund.de/DE/Fachthemen/Gremienarbeit/Datenschutzkonferenz/DSK-tableOrientierungshilfe
• Europäischer Datenschutzausschuss, Leitlinien, https://edpb.europa.eu/our-work-tools/our-documents/publication-type/guidelines_de
• DatSchR: Datenschutzrecht, Gesetzestexte, 13. Auflage, Beck-Text im dtv 2021

Informationsangebote im Netz:

• Virtuelles Datenschutzbüro - Ein Informationsangebot der öffentlichen Datenschutzinstanzen: https://www.datenschutz.de/
• GDPRhub – Öffentliches Wiki zur DSGVO der Non-Profit-Organisation „noyb“: https://gdprhub.eu
• Gesetze im Internet: https://www.gesetze-im-internet.de/index.html
• DSGVO als übersichtliche Webseite: https://dsgvo-gesetz.de/

Literaturhinweise:

• Laue/Kremer, Das neue Datenschutzrecht in der betrieblichen Praxis, Handbuch, Nomos 2. Aufl. 2019
• Kühling/Klar/Sackmann, Datenschutzrecht, Lehrbuch/Studienliteratur, C.F. Müller 5. Aufl. 2021
• S. Jandt/R. Steidle, Datenschutz im Internet, Rechtshandbuch zu DSGVO und BDSG, Nomos 2018
• A. Roßnagel (Hrsg.), Das neue Datenschutzrecht – Europäische Datenschutz-Grundverordnung und deutsche Datenschutzgesetze, Nomos 2018
• Tinnefeld/Buchner/Petri, Einführung in das Datenschutzrecht - Datenschutz und Informationsfreiheit in europäischer Sicht, De Gruyter, 7. Aufl. 2019
• S. Simitis/G. Hornung/I. Spiecker gen. Döhmann (Hrsg.), Datenschutzrecht: DSGVO mit BDSG, Großkommentar, Nomos 2019
• J. Kühling / B. Buchner, Datenschutz-Grundverordnung, Bundesdatenschutzgesetz: DSGVO/BDSG, Kommentar, C.H. Beck 3. Auflage 2020
• Th. Hoeren, Internetrecht (Skript, Stand Dezember 2020), 6. Kapitel: Datenschutz­recht, Universität Münster (https://www.itm.nrw/wp-content/uploads/Skript-Internetrecht-Dezember-2020.pdf)

Genauer Termin wird noch bekannt gegeben.

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 Tutor:innenauswahlausschuss statt, in dem die Eignung als Tutor:in festgestellt wird.

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

Die Anmeldung zu diesem Kurs erfolgte bereits im Januar/Februar 2024. Sollten Sie Interesse an diesem Kurs haben, schreiben Sie den Dozierenden bitte eine E-Mail.

Inhalt:

In diesem Praktikum werden Algorithmen zur Sequenzanalyse implementiert, und zwar im Rahmen 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. Bitte entnehmen Sie den Zeitplan aus dessen Beschreibung in unserem Teaching-WiKi: http://www.mi.fu-berlin.de/w/ABI/LectureWiki.

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 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.

Literatur:

Wird in der Vorbesprechung ausgegeben.

Die Verteilung der Plätze hat bereits im Februar stattgefunden.

Vorbesprechung:

am 27.02.2015 von 10:00 bis 12:00 Uhr im SR 108/109/A6.

Homepage:

http://www.mi.fu-berlin.de/w/AgMathLife/SoftWareProjectSS15

Die Plätze werden bereits im Februar vergeben.

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

Die Verteilung der Plätze findet im Februar statt.

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

In diesem Praktikum werden realistische Workflows zur Analyse von biologischen Daten konzeptioniert und implementiert. Die Teilnehmer werden dabei verschiedene Workflowsysteme (KNIME, Snakemake) kennenlernen und verwenden. Die Teilnehmer werden dabei anhand aktueller Literatur ihre Workflows eigenständig erarbeiten, testen und verfeinern. Dabei werden sowohl Kenntnisse im Rahmen der Workflow Programmierung als auch ein Umfangreiches Wissen über existierende Bioinformatik-Software erlangt.

Gute Kenntnisse in Skriptsprachen (Python) sowie R sind Voraussetzung

Die Plätze wurden im Februar verteilt.

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

Die Plätze wurden bereits im Februar vergeben.