Alle Lernmaterialien für deinen Kurs Applied Data Science in the Life Science

In diesem Abschnitt der Vorlesung lernst Du die grundlegenden Methoden der Datenanalyse kennen und wie sie in den Lebenswissenschaften angewendet werden.

• Grundlagen der explorativen Datenanalyse
• Einsatz von statistischen Softwaretools (z.B. R, Python)
• Datenbereinigung und -vorverarbeitung
• Deskriptive Statistik und Dateninterpretation
• Erstellung von Berichten und Präsentationen der Analyseergebnisse

Dieser Teil konzentriert sich auf statistische Verfahren und Modelle, die speziell in der Biologie und den Lebenswissenschaften Anwendung finden.

• Grundlagen der Wahrscheinlichkeitsrechnung in biologischen Kontexten
• Hypothesentests und Konfidenzintervalle
• Regressionsanalyse und Varianzanalyse (ANOVA)
• Nicht-parametrische Methoden
• Anwendung von Softwaretools für biostatistische Analysen

Du wirst die Grundlagen und Anwendungen des maschinellen Lernens im Bereich der Lebenswissenschaften erlernen.

• Überwachtes und unüberwachtes Lernen
• Anwendung von Algorithmen wie Entscheidungsbäumen, Random Forests und Support Vector Machines
• Neurale Netze und Deep Learning
• Modellbewertung und -validierung
• Einsatz von Bibliotheken wie Scikit-Learn und TensorFlow

Dieser Abschnitt deckt die Techniken der Datenvisualisierung ab, um biologische Daten effektiv darzustellen und zu interpretieren.

• Grundlagen der grafischen Datenpräsentation
• Visualisierungsmethoden (z.B. Heatmaps, Scatterplots, Boxplots)
• Nutzung von Tools wie ggplot2 in R oder Matplotlib in Python
• Erstellung interaktiver Dashboards
• Gute Praktiken der Datenvisualisierung

Hier wirst Du mit den bioinformatischen Techniken und Tools vertraut gemacht, die in der modernen Lebenswissenschaft verwendet werden.

• Sequenzanalyse und -ausrichtung
• Genomannotation und -analyse
• Netzwerk- und Pathway-Analyse
• Nutzung von Datenbanken (z.B. GenBank, EMBL) und bioinformatischer Software (z.B. BLAST)
• Integration und Interpretation von multi-omics Daten