Applied Data Science in the Life Science - Cheatsheet.pdf

Explorative Datenanalyse

Definition:

Explorative Datenanalyse (EDA) ist der Prozess des Analysierens von Datensätzen, um deren Hauptmerkmale durch grafische und statistische Methoden zusammenzufassen. Wichtig für die Mustersuche, Anomalien und Hypothesenbildung.

Details:

• Datenvisualisierung: Histogramme, Boxplots, Streudiagramme
• Deskriptive Statistik: Mittelwert, Median, Standardabweichung
• Entdeckung von Zusammenhängen: Korrelationsmatrizen
• Verwendung von Tools wie Pandas, Matplotlib, Seaborn
• Identifikation von Ausreißern und fehlenden Werten

Datenbereinigung und -vorverarbeitung

Definition:

Datenbereinigung und -vorverarbeitung: Schritte zur Vorbereitung von Rohdaten für die Analyse; Bestandteil des Data-Preprocessing.

Details:

• Duplikate entfernen
• Fehlende Werte identifizieren und behandeln
• Daten normalisieren oder standardisieren
• Ausreißer erkennen und behandeln
• Kategorisierung und Kodierung von Daten (z.B. One-Hot-Encoding)
• Rauschen entfernen
• Datenaggregation und -Transformation

Regressionsanalyse und Varianzanalyse (ANOVA)

Definition:

Regressionsanalyse: Statistische Methode zur Untersuchung von Beziehungen zwischen einer abhängigen Variablen und einer oder mehreren unabhängigen Variablen. Varianzanalyse (ANOVA): Statistisches Verfahren zum Vergleich der Mittelwerte mehrerer Gruppen.

Details:

• Regressionsanalyse:
• Linieare Regression: \(Y = \beta_0 + \beta_1X + \epsilon\)
• Multiple Regression: \(Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + ... + \beta_nX_n + \epsilon\)
• Varianzanalyse (ANOVA):
• Einweg-ANOVA: Testet Mittelwertunterschiede zwischen drei oder mehr Gruppen.
• F-Wert: Verhältnis der Varianz zwischen den Gruppen und der Varianz innerhalb der Gruppen.
• Annahmen: Normalverteilung, Varianzhomogenität.

Überwachtes und unüberwachtes Lernen

Definition:

Überwachtes Lernen: Modell lernt von gelabelten Daten - Vorhersage von unbekannten Outputs. Unüberwachtes Lernen: Mustererkennung in ungelabelten Daten - Gruppierung oder Strukturfindung.

Details:

• Überwachtes Lernen: Datensatz besteht aus Eingabe-Output-Paaren (\textbf{x}, y)
• Beispiele: Klassifikation und Regression
• Algorithmus: Trainingsphase, Validierung, Testen
• Unüberwachtes Lernen: Datensatz nur mit Eingaben (\textbf{x}), keine Labels
• Beispiele: Clustering, Dimensionsreduktion
• Algorithmus: Muster erkennen, Datenstruktur verstehen

Sequenzanalyse und -ausrichtung

Definition:

Analyse biomolekularer Sequenzen, um Ähnlichkeiten und funktionale/familiäre Beziehungen zu identifizieren.

Details:

• Häufige Tools: BLAST, ClustalW, MAFFT
• Lokale vs. globale Ausrichtung
• Scoring-Matrizen: PAM, BLOSUM
• Gap penalties und ihre Bedeutung
• Multiple Sequenzalignments
• Evolutionsmodelle: Needleman-Wunsch, Smith-Waterman
• Phylogenetische Bäume aus Alignments ableiten
• Anwendung in Genomanalyse, Proteinfunktion, Evolution

Einsatz von Bibliotheken wie Scikit-Learn und TensorFlow

Definition:

Verwendung von Scikit-Learn und TensorFlow zur Durchführung von maschinellem Lernen und Deep Learning in der angewandten Datenwissenschaft.

Details:

• Scikit-Learn: Einfach zu bedienende Bibliothek für klassisches maschinelles Lernen in Python - Entscheidungsbäume, Regression, Klassifikation.
• TensorFlow: Leistungsstarke Bibliothek für neuronale Netze und Deep Learning - umfangreich für komplexe Modelle und Echtzeitanwendungen.
• Installation: Beide Bibliotheken können über pip installiert werden - `pip install scikit-learn`, `pip install tensorflow`.
• Grundlegende Verwendung: Modelle erstellen, trainieren und bewerten - `fit()`, `predict()`, `score()` für Scikit-Learn; `Sequential()`, `compile()`, `fit()`, `evaluate()` für TensorFlow.
• Interoperabilität: Scikit-Learn für Vorverarbeitung und Feature-Engineering, TensorFlow für Training von tiefen neuronalen Netzen.
• Beispielcode für Scikit-Learn:
• from sklearn.model_selection import train_test_split
• from sklearn.ensemble import RandomForestClassifier
• classifier = RandomForestClassifier()
• classifier.fit(X_train, y_train)
• Beispielcode für TensorFlow:
• import tensorflow as tf
• model = tf.keras.Sequential()
• model.add(tf.keras.layers.Dense(128, activation='relu'))
• model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
• model.fit(X_train, y_train, epochs=10)

Gute Praktiken der Datenvisualisierung

Definition:

Best-Practices zur Erstellung klarer, präziser und informativer Datenvisualisierungen.

Details:

• Wähle geeignete Diagrammtypen (z.B. Balkendiagramme, Liniendiagramme, Streudiagramme) basierend auf Datentyp und Ziel der Visualisierung.
• Verwende klare und lesbare Achsenbeschriftungen und Titel.
• Farben sorgfältig wählen - Farbschemata verwenden, um Daten klar und kontrastreich darzustellen (Achte auf Farbenblindheit).
• Meide unnötige Verzierungen (Chartjunk), fokussiere auf Daten.
• Nutze Konsistenz in Design-Elementen (Schriftarten, Linienbreiten, etc.).
• Verwende Legenden und Anmerkungen, wenn notwendig, um Klarheit zu schaffen.
• Normalisierung oder Skalierung der Daten durchführen, falls nötig, um bessere Vergleichbarkeit zu ermöglichen.