Studies

194
Compulsory

When a course instance has been created from a template, the course instance will be in this state

  • Data is usually still incomplete and everything can still be edited.
  • Lecturers or secretaries can move the state forward to Edited.

Ziele:

Studierende lernen zentrale statistische und algoritmische Konzepte im Feld des Maschinellen Lernens kennen, insbesondere im Kontext aktueller Forschung in Bioinformatik, Biologie und Biotechnologie. Dabei werden verschiedene praktische Probleme bearbeitet und Methoden aus der Vorlesung angewandt und implementiert, um relevante Information mit HIlfe von R aus biologischen Datensätzen zu extrahieren. Insbesondere werden Studierende dabei lernen, wie große Datenmenge prozessiert werden können, wie für spezifische Fragestellungen passende Modelle ausgewählt werden und wie Resultate evaluiert und kommuniziert werden können. Studierende vertiefen in wöchentlichen Übungsaufgaben das Gelernte. Die wöchentliche Präsentation der Ergebnisse der Übungen stellen dabei genauso wie eine abschließene mündliche Prüfung Voraussetzungen für das Bestehen des Kurses dar.

Inhalte:

  • Vorverarbeitung biologischer Daten und Modell-Implementierung in R
  • Klassifikationsansätze und Permutationsmetriken
  • Lineare Modelle für Regression und Klassification
  • Kernel Methoden für Regression und Klassification - Variablenselektion
  • halbüberwachtes und aktives Lernen
  • Classification trees und Random Forests
  • Graphische Modelle

Weitere Informationen: http://www.molgen.mpg.de/3434810/Applied-Machine-Learning

Goals:

The students will be introduced to the basic statistical and algorithmic concepts in the field of Machine Learning, especially in the context of current research in bioinformatics, biology and biotechnology. They will work on several practical problems and implement / use the methods learned during the lectures to extract information from biological datasets in R. In particular, they will learn how to process data, choose the appropriate model to answer specific questions, evaluate and communicate the results. The students will be assigned weekly exercises which they have to complete. Presenting in turns the results from the exercises, in addition to a final oral exam, are prerequisites to pass the course.

Content:

  • Pre-processing of biological data and model implementation with R
  • Classification metrics and permutation approaches
  • Linear Models for Regression and Classification
  • Kernel Methods for Regression and Classification - Feature Selection
  • Semi-supervised learning / active learning
  • Classification trees and Random Forests
  • Graphical models

For further information see: http://www.molgen.mpg.de/3434810/Applied-Machine-Learning

Cross-language

194 027
Compulsory

Expectant Mother

Not dangerous
Partly dangerous
Alternative Course
Dangerous
Show questionnaire

Nursing Mother

Not dangerous
Partly dangerous
Alternative Course
Dangerous
Show questionnaire

AncillaryCourses

Übung zu Applied Machine Learning

Expectant Mother

Not dangerous
Partly dangerous
Alternative Course
Dangerous
Show questionnaire

Nursing Mother

Not dangerous
Partly dangerous
Alternative Course
Dangerous
Show questionnaire