Kursplan för Automatiserad prediktiv modellering

Automated Predictive Modelling

  • 5 högskolepoäng
  • Kurskod: 1MB516
  • Utbildningsnivå: Avancerad nivå
  • Huvudområde(n) och successiv fördjupning: Teknik A1F, Bioinformatik A1F

    Förklaring av koder

    Koden visar kursens utbildningsnivå och fördjupning i förhållande till andra kurser inom huvudområdet och examensfordringarna för generella examina:

    Grundnivå

    • G1N: har endast gymnasiala förkunskapskrav
    • G1F: har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav
    • G1E: innehåller särskilt utformat examensarbete för högskoleexamen
    • G2F: har minst 60 hp kurs/er på grundnivå som förkunskapskrav
    • G2E: har minst 60 hp kurs/er på grundnivå som förkunskapskrav, innehåller examensarbete för kandidatexamen
    • GXX: kursens fördjupning kan inte klassificeras

    Avancerad nivå

    • A1N: har endast kurs/er på grundnivå som förkunskapskrav
    • A1F: har kurs/er på avancerad nivå som förkunskapskrav
    • A1E: innehåller examensarbete för magisterexamen
    • A2E: innehåller examensarbete för masterexamen
    • AXX: kursens fördjupning kan inte klassificeras

  • Betygsskala: Underkänd (U), godkänd (3), icke utan beröm godkänd (4), med beröm godkänd (5)
  • Inrättad: 2018-03-06
  • Inrättad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Reviderad: 2021-03-26
  • Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Gäller från: HT 2022
  • Behörighet:

    120 hp samt Proteomik och metabolomik. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)

  • Ansvarig institution: Institutionen för biologisk grundutbildning

Mål

Efter godkänd kurs ska studenten kunna:

  • förklara och tillämpa centrala begrepp och metoder för automatiserad prediktiv modellering med fokus på biomedicinska/biologiska molekylära data
  • självständigt välja lämpliga metoder och tekniker inom området för att med givna biologiska/biomedicinska data hantera frågeställningar
  • kritiskt sammanställa, analysera, och värdera biologiska/biomedicinska resultat baserat på de modellfamiljer som skapats vid analys av molekylära data.

Innehåll

Datorbaserade lärande prediktiva system; från anpassning av ett fåtal parametrar i en biofysikalisk modell till val/anpassning av både modellstruktur och parametrar i en dataanalytisk maskininlärningsmodell. Modelltyper (fysikaliska, semi-fysikaliska, fenomenologiska, parametriska, icke-parametriska). Frågeställningar (regression, klassificering, överlevnadsanalys, tidsserieanalys, analys av dynamiska system/nätverk, mekanistisk molekylär förståelse). Parameteranpassning inklusive uppskattning av osäkerhet. Val av modellstruktur inklusive uppskattning av osäkerhet. Metoder för att undvika överanpassning. Metoder för att bygga in förkunskaper om det aktuella problemet i den automatiserade analysen. Kvantitativ uppskattning av prediktiv förmåga. "Active learning" och iterativ experimentell design baserat på analys av insamlade data. Visualisering av resultat. Tolkning av modeller och modellfamiljer. Analys av systemövergripande och temporala biomedicinska data från projekt t ex inom metabolomik, proteomik, videomikroskopi och dynamiska ligand-protein interaktioner.

Undervisning

Föreläsningar, seminarier, datorlaborationer.

Examination

Skriftlig tentamen (3 hp), seminarier och datorlaborationer (2 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.

Versioner av kursplanen

Litteratur

Uppgift om kurslitteratur saknas. Ta kontakt med ansvarig institution för mer information.

Skriv ut