• Niklas Philipp

• Niklas Philipp

Keine

Grundlegende Programmierkenntnisse

Durch Hochdurchsatzmethoden ist die Big Data Ära auch in der Biologie angekommen. Einer der Profiteure dieser Datenmassen ist das Feld des Deep Learnings, dessen Funktionsweisen, Architekturen und Aufgabenfelder mit Bezug auf biologische Sequenzdaten in diesem Modul unter die Lupe genommen werden.

• Einführung in Deep Learning
• Zusammenstellung und Augmentierung biologischer, sequenzbasierter Datensätze
• Funktionsweise und Training eines Perzeptrons ohne Framework
• Kennenlernen und Verstehen moderner Netzarchitekturen und ihrer Anwendungsgebiete in der Bioinformatik
• Performanz Metriken für neuronale Netze
• Trainingsmethoden (Supervised, Unsupervised, Semi-supervised)
• Einführung in Pytorch als Framework zum Aufbau von Deep Learning Pipelines
• Anwendung bekannter Netzarchitekturen auf biologische Sequenzdaten
• Einführung in Epigenetik
• Theoretische Einführung in neue experimentelle Verfahren zur Gewinnung epigenetischer Daten

Fachkompetenzen

• Die Studierenden können die behandelten Deep Learning Architekturen erläutern und analysieren.
• Sie können anhand von gelernten Metriken das Training und die Performanz bewerten.
• Sie können die Erhebung biologischer Sequenzdaten nachvollziehen und mithilfe vorhandener Datenbanken geeignete Datensätze zusammenstellen.
• Sie können anhand einer Fragestellung aus der Bioinformatik und vorhandenen Daten einschätzen, ob die Fragestellung mithilfe von Deep Learning lösbar ist.
• Sie können anhand einer Fragestellung aus der Bioinformatik einschätzen, welche Daten für die Beantwortung der Fragestellung von Nutzen sind.

Methodenkompetenzen (fachlich & überfachlich)

• Die Studierenden können eine Deep Learning Pipeline in Pytorch implementieren und trainieren.
• Sie können eigenständig Bestandteile einer Deep Learning Pipeline programmieren.

Sozialkompetenzen

• Die Studierenden können in einem Team konstruktiv und kritisch Problemlösungen erarbeiten.
• Sie können eigene Architekturen und das Wissen aus der Vorlesung vor einer Gruppe präsentieren.

Selbstkompetenzen

• Die Studierenden können sich selbstständig benötigtes Wissen auf dem aktuellen Stand der Technik aneignen.

• 6 CrP
• Arbeitsaufwand 180 Std.
• Präsenzzeit 60 Std.
• Selbststudium 120 Std.

• 4 SWS
• Vorlesung 2 SWS
• Praktikum 2 SWS

• Informatik (B.Sc. 2010)

Nein

Bonuspunkte werden gemäß § 9 (4) der Allgemeinen Bestimmungen vergeben. Art und Weise der Zusatzleistungen wird den Studierenden zu Veranstaltungsbeginn rechtzeitig und in geeigneter Art und Weise mitgeteilt.

Prüfungsvorleistung: Keine

Prüfungsleistung: Projektarbeit und Präsentation der Ergebnisse (zusammen 100%)

• Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning. MIT Press.