790388 Bayesian data analysis in the life sciences (in Eng.)

Art
Vorlesung und Übung
Semesterstunden
3
Vortragende/r (Mitwirkende/r)
Sykacek, Peter
Organisation
Angeboten im Semester
Wintersemester 2024/25
Unterrichts-/ Lehrsprachen
Englisch
Lehrinhalt

Einführung in Bayes'sche Inferenz mit Anwendungen in den life sciences.
I Theorie
1) Crash course in Machine Learning
2) Bayes´sche Konzepte - von Daten zum Modell
3) Techniken der Bayes´schen Inferenz mit Hauptaugenmerk auf variational Bayes in conditional exponential family Modellen.
4) Werkzeuge zur Bayes´schen Inferenz mit Hauptaugenmerk auf der Python 3 library BayesPy.
5) Bayes´sche Modelle mit Anwendungen in der Computational Biology

II Praktische Übungen
Entwicklung einfacher graphischer Modelle auf der Basis der im Theorieteil vemittelten Bayes´schen Techniken und deren Anwendung auf Datensätze aus dem Life Science Umfeld. Nach einer Einführung in die Verwendung von BayesPy werden drei Projekte selbständig abgewickelt. Typischer Weise kommen öffentlich zugängliche Datensätze aus der Molekularbiologie zum Einsatz, werden einer Variablenselektion unterzogen, bzw. es wird eine high Level Analyse solcher Daten durchgeführt (z.B. Abbildung auf GO:biological process Therme oder Pathways). Die Projekte werden alleine oder als Zweierteam bearbeitet. Zur Modellentwicklung kommt Python 3 und im Speziellen BayesPy zum Einsatz, wobei auch auf die in der Machine Learning Vorlesung vorgestellten Bibliotheken zurückgegriffen wird. Die Analyseschritte sind als Pythonscripts zu realisieren, zu dokumentieren und mit den Ergebnissen in einem Laborprotokoll zusammenzufassen.
Inhaltliche Voraussetzungen (erwartete Kenntnisse)

Kenntnisse in Mathematik und Statistik, wie sie beispielsweise in "Machine Learning and Pattern Recognition for Bioinformatics" vermittelt werden. Kenntnisse im Handhaben eines Linux Computers bzw. grundlegende Programmierkenntnisse.
Lehrziel

Der erfolgreiche Abschluss der Lehrveranstaltung erlaubt es den AbsolventInnen typische Datensätze aus den Life Sciences mit Bayes´schen Methoden zu analysieren und die richtigen Schlüsse zu ziehen.

AbsolventInnen der Vorlesung können Inferenzmethoden für einfache Bayes'sche Modelle herleiten und ein breites Spektrum an Modellen mittels BayesPy implementieren und zur Datenanalyse heranziehen. Erfolgreiche TeilnehmerInnen sind in der Lage einschlägige Fachliteratur zu verstehen, die komplexe Modelle und deren Anwendung beschreibt und können publizierte Modelle an Fragestellungen anpassen, die im life sciences Umfeld auftreten.
Noch mehr Informationen zur Lehrveranstaltung, wie Termine oder Informationen zu Prüfungen, usw. finden Sie auf der Lehrveranstaltungsseite in BOKUonline.