Alle Lernmaterialien für deinen Kurs Maschinelles Lernen in der klinischen Bioinformatik

Einführung in die grundlegenden Konzepte und Methoden des maschinellen Lernens, inklusive unterschiedlicher Lernparadigmen und Anwendungsbeispiele.

• Beaufsichtigtes und unbeaufsichtigtes Lernen
• Klassifikations- und Regressionsmodelle
• Evaluierung von Modellen und Performanzmetriken
• Feature-Engineering und Datenvorverarbeitung
• Einführung in gängige ML-Bibliotheken und Frameworks

Erforschung der spezifischen Anwendung von ML-Algorithmen zur Lösung von Problemen in der Bioinformatik, insbesondere in der klinischen Forschung.

• Vorhersage und Klassifikation genetischer Daten
• Analyse biologischer Sequenzdaten
• Identifikation von Biomarkern durch ML
• Integration von verschiedenen Datentypen zur Krankheitsvorhersage
• Validierung und Replikation von ML-Modellen in der Bioinformatik

Grundlage klinischer Studien und deren methodische Herausforderungen, sowie Einsatz von ML zur Datenanalyse und -interpretation von Studienergebnissen.

• Design und Methoden klinischer Studien
• Statistische Tests und Konfidenzintervalle
• Regression und Überlebenszeitanalysen
• Bias und Confounding in klinischen Studien
• Machine Learning zur Auswertung klinischer Daten

Vertiefung in neuronale Netzwerke und deren Variationen, mit Fokus auf Deep Learning Techniken und Anwendungen in der Bioinformatik.

• Grundlagen von Neuronalen Netzwerken
• Architekturen von Deep Learning Modellen
• Techniken des überwachtes und unbeaufsichtigtes Lernen in Deep Learning
• Training und Optimierung von Deep Learning Modellen
• Anwendung von CNNs und RNNs in der Bioinformatik

Erforschung genetischer und proteomischer Daten mittels maschineller Lerntechniken, um Einsichten in biologische Prozesse und Krankheiten zu gewinnen.

• Grundlagen der Genomik und Proteomik
• Sequenzierungstechniken und Datenextraktion
• ML-Modelle zur Genomanalyse und -vorhersage
• Analyse von Proteomik-Daten mit ML
• Integration genetischer und proteomischer Daten für systembiologische Studien