Behörighetskrav

Alt 1. 120 hp inklusive Genomik och bioinformatik, Sannolikhet och statistik och Programmeringsteknik II. Alt 2. Introduktion till bioinformatik, Introduktion till programmering, beräkningsvetenskap och statistik och Programmering i Python. Alt 3. 30 hp matematik och 30 hp datavetenskap. Introduktion till bioinformatik och Skriptprogrammering. Alt 4. Genomgångna kurser Introduktion till bioinformatik, Programmeringsteknik I, Beräkningsvetenskap för naturvetenskapliga tillämpningar och Introduktion till statistik för livsvetenskaper. Alt 5. 30 hp matematik och 30 hp datavetenskap. Genomgångna kurser Introduktion till bioinformatik och Introduktion till statistik för livsvetenskaper. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)

Mål

Kursen syftar till att ge förståelse för hur logik-baserade metoder kan användas för att stödja konstruktionen av kunskapsbaserade system inom livsvetenskaperna. Utgången i stora mängder data såsom t.ex. genuttrycks-, molekylära interaktions-, annotationsdata reflekterar dagens behov av effektiv datahantering . Kursen skapar en fördjupad förståelse för hur avancerade lärande system kan användas för att lösa bioinformatiska problem.

Efter godkänd kurs skall studenten kunna

• använda och beskriva definitioner och matematisk notation för information - och beslutssystem, rough sets samt regelsystem
• använda andra metoder för maskininlärning såsom klustring och beslutsträd, samt sätta dessa i relation till rough sets
• tillämpa kunskaper inom regelsystem och Monte Carlo-baserad selektion för att formulera och lösa klassifikationsproblem inom livsvetenskaperna

Innehåll

Introduktion till booleska funktioner. Transformation och förenkling av booleska uttryck. Information, beslutsystem och rough sets. Egenskaper och dess syntes och urval. Träning och validering av modeller. Statiska egenskaper hos modeller. Exempel på tillämpningar inom livsvetenskaperna inkluderar: klassificering med hjälp av uttrycksdata, prediktion av genfunktion från uttryckstidsprofiler och genomiska databaser, modellering av transkriptionsmekanismer, ligandreceptor bindningar, drogresistens, prediktion av proteinfunktion från struktur och modellering med hjälp av kliniska och genomiska data. Föreläsningarna varvas med datorlaborationer med verkliga och syntetiska data. Ontologier. Maskininlärning: klustring, rough sets och beslutsträd, Monte Carlo-baserad selektion, statistisk modellgiltighet och signifikans.

Undervisning

Föreläsningar, datorövningar, projekt och inlämningsuppgifter.

Examination

Skriftligt prov vid kursens slut (3 hp). Inlämningsuppgifter (1 hp) och projekt (1 hp).

Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en enskild student examineras på annat sätt. Särskilda skäl kan t.ex. vara besked om särskilt pedagogiskt stöd från universitetets samordnare för studenter med funktionsnedsättning.