KURSTAG 25 QUALITÄT VON VORHERSAGEN
|
|
- Karlheinz Straub
- vor 5 Jahren
- Abrufe
Transkript
1 KURSTAG 25 QUALITÄT VON VORHERSAGEN In der Vorlesung haben Sie etwas über Qualität von Vorhersagemethoden gelernt. Aufgabe ist es, die dort genannten Formeln in ein Programm umzusetzen. Dies soll für den Fall einer (!) Aussage mit Wertebereich die Prozentangaben, die Hamming-Distanz, den quadratischen Abstand, den L p -Abstand, den Korrelationskoeffizient, den gegenseitigen Informationsgehalt, den normalisierten gegenseitigen Informationsgehalt, die Sensitivität, die Spezifität und den Korrelationskoeffizient berechnen und nett ausgeben. Für eine 3 3-Matrix geben Sie ebenfalls an. Sensitivität Q D i, Spezifität Q M i, Q total und den gegenseitigen Informationsgehalt IC(D,M) Schöne Zahlenbeispiele haben Sie bei Programmen zur Vorhersage von Transmembranhelices kennengelernt; die Zahlen sind in Tab zusammengestellt. Benutzten Sie diese Zahlen für Ihre binären Aussagen. Die Tabelle hat allerdings eine große Macke, wie Sie wahrscheinlich feststellen werden... Ein schönes Zahlenbeispiel haben Sie am Ende der Vorlesung über Protein-Sekundärstruktur-Vorhersage gesehen (siehe Tab. 25.3). Benutzen Sie dieses auf jeden Fall als einen Datensatz für Ihr Programm; d. h., lassen Sie alle (!?) oben aufgeführten Werte für diesen Datensatz berechnen. Kreieren Sie einen Datensatz, der folgendes Zitat belegt: Die Strukturelement-Verteilung in globulären Proteinen liegt nahe bei 35 % Helix, 15 % β-strang,
2 114 Qualität von Vorhersagen Tabelle 25.1: Leistung verschiedener Metagenom-Analyse-Werkzeuge. Method TP FP TN FN SEN a SPEC b PPV c NPV d MCC e CLARK EBI Genometa GOTTCHA Kraken LMAT MEGAN MetaPhlan MetaPhyler MG-RAST motu OneCodex QIIME Taxator-tk a Sensitivität b Spezifität c Positive predictive value d Negative predictive value e Matthews Korrelationskoeffizient 25 % reverse Turns und 25 % Coil. Wenn ein Vorhersage-Algorithmus nur Helix vorhersagt, täuscht er also schon ein Korrektheit von Q total = 35 % vor! Wie hängt der gegenseitige Informationsgehalt von der Gesamtzahl N an Aussagen ab? Die Tabellen 25.4 bis 25.6 sind aus der Publikation Matthews (1975) kopiert (ohne Tippfehler!). Füllen Sie die fehlenden Spalten aus. Dem Autor Matthews ist damals wohl mindestens ein Fehler unterlaufen; versuchen Sie diese zu korrigieren. Für die Berechnung des MCC (Matthews Korrelationskoeffizient) benutzen Sie bitte beide Formeln, die in der Vorlesung angegeben wurden; ergeben die wirklich gleiche Werte? Welches ist das (damals) beste Programm zur Vorhersage von Proteinstruktur gewesen? Wie steht s mit der Qualität dieser Programme im Vergleich zu GOR IV?
3 115 Tabelle 25.2: Qualität von Programmen zur Vorhersage von Transmembranregionen für alle biochemisch charakterisierten Transmembran-Proteine. MSR: Membran-überspannende Region; T P: Zahl korrekt vorhergesagter MSRs; FN: Zahl nicht vorhergesagte MSRs; FP: Zahl falsch vorhergesagter MSRs. Die Methoden sind sortiert nach der Summe FN + FP. Die Summe T P + FN sollte die Gesamtzahl an MSRs ergeben; dies ist nicht der Fall, wenn eine vorhergesagte Region mehr als eine tatsächliche Region überspannt oder umgekehrt. Verändert nach Möller et al. (2001). Sensi- Rele- Methode Zitat T P FN FP tivität vanz TMHMM 2.0 Sonnhammer et al. (1998) ,93 0,96 HMMTOP Tusnády & Simon (1998) ,95 0,90 MEMSAT 1.5 Jones et al. (1994) ,88 0,91 Eisenberg et al. (1982) ,92 0,83 ALOM 2 Nakai & Kanehisa (1992) ,44 0,96 PHD Rost et al. (1996a,b) ,64 0,73 TopPred Claros & von Heijne (1994) ,53 0,79 Gesamtzahl an MSRs: 883 Tabelle 25.3: Vorhersagequalität von GOR IV. Vorhergesagt Beobachtet H E C Total H E C Total Q a prd 64,7 60,7 65,1 Q b obs 67,0 36,5 75,8 Q c 3 = 64,4 % a b c Zahl korrekt vorhergesagter Einheiten Zahl vorhergesagter Einheiten. Zahl korrekt vorhergesagter Einheiten Zahl beobachteter Einheiten. Gesamtzahl korrekt vorhergesagter Einheiten Gesamtzahl an Einheiten.
4 116 Qualität von Vorhersagen Tabelle 25.4: Vorhersage von α-helikalen Positionen im Lysozym des Phagen T4. Kopiert aus Matthews (1975). Zitat N T P T N FP FN PCP α PCN α Q 3,α Sens. Spec. MCC Nagano & Hasegawa (1973) ,198 Prothero (1966) Chou & Fasman (1974) Lim (1974) Ptitsyn & Finkelstein (1970) Finkelstein et al. (1974) Guzzo (1965) Leberman (1971) Barry & Friedman (1974) Burgess et al. (1974) Schellman (1975) Tabelle 25.5: Vorhersage von β-strang-positionen im Lysozym des Phagen T4. Kopiert aus Matthews (1975). Zitat N T P T N FP FN PCP β PCN β Q 3,β Sens. Spec. MCC Nagano & Hasegawa (1973) Chou & Fasman (1974) Lim (1974) Ptitsyn & Finkelstein (1970) Finkelstein et al. (1974) Barry & Friedman (1974) Burgess et al. (1974) Schellman (1975) Tabelle 25.6: Vorhersage von Turn-Positionen im Lysozym des Phagen T4. Kopiert aus Matthews (1975). Zitat N T P T N FP FN PCP turn PCN turn Q 3,turn Sens. Spec. MCC Nagano & Hasegawa (1973) Chou & Fasman (1974) Finkelstein et al. (1974) Burgess et al. (1974)
5 1. Literatur 117 Literatur Claros, M.G. & von Heijne, G. (1994). TopPred II: an improved software for membrane protein structure predictions. Comp. Appl. Biosci., 10, Eisenberg, D., Weiss, R.M. & Terwilliger, T.C. (1982). The helical hydrophobic moment: a measure of the amphiphilicity of a helix. Nature, 299, Jones, D.T., Taylor, W.R. & Thornton, J.M. (1994). A model recognition approach to the prediction of all-helical membrane protein structure and topology. Biochemistry, 33, Matthews, B.W. (1975). Comparison of the predicted and observed secondary structure of T4 phage lysozyme. Biochim. Biophys. Acta, 405, , 116 Möller, S., Croning, M.D.R. & Apweiler, R. (2001). Evaluation of methods for the prediction of membrane spanning regions. Bioinformatics, 17, , Erratum in Bioinformatics, 18, Nakai, K. & Kanehisa, M. (1992). A knowledge base for predicting protein localization sites in eukaryotic cells. Genomics, 14, Rost, B., Casadio, R. & Fariselli, P. (1996). Refining neural network predictions for helical transmembrane proteins by dynamic programming. Proc. Int. Conf. Intell. Syst. Mol. Biol., 4, Rost, B., Fariselli, P. & Casadio, R. (1996). Topology prediction for helical transmembrane proteins at 86 % accuracy. Protein Sci., 5, Sonnhammer, E.L.L., von Heijne, G. & Krogh, A. (1998). A hidden Markov model for predicting transmembrane helices in protein sequences. In Proc. Sixth Int. Conf. on Intelligent Systems for Molecular Biology (ISMB) (Glasgow, J., Littlejohn, T., Major, F., Lathrop, R., Sankoff, D. & Sensen, C., Hrsg.). AAAI Press, Menlo Park, CA, S Tusnády, G.E. & Simon, I. (1998). Principles governing amino acid composition of integral membrane proteins: application to topology prediction. J. Mol. Biol., 283,
Threading - Algorithmen
Threading - Algorithmen Florian Lindemann 22.11.2007 Florian Lindemann () Threading - Algorithmen 22.11.2007 1 / 25 Gliederung 1 Prospect Scoring Function Algorithmus Weitere Eigenschaften Komplexität
MehrTheoretical Analysis of Protein-Protein Interactions. Proseminar SS 2004
Theoretical Analysis of Protein-Protein Interactions Proseminar Virtual Screening: Predicting Pairs from Sequence Übersicht Einleitung 1.Modell: Vorhersage von Protein-Interfaces aus Sequenzprofilen und
MehrNicht-regelmäßige Sekundärstruktur Sekundärstrukturvorhersage Strukturmotive
Nicht-regelmäßige Sekundärstruktur Sekundärstrukturvorhersage Strukturmotive Wintersemester 2011/12 Peter Güntert Regelmäßige Sekundärstrukturen Eine regelmässige Sekundärstruktur ist dadurch charakterisiert,
MehrGibbs sampling. Sebastian Pado. October 30, Seien X die Trainingdaten, y ein Testdatenpunkt, π die Parameter des Modells
Gibbs sampling Sebastian Pado October 30, 2012 1 Bayessche Vorhersage Seien X die Trainingdaten, y ein Testdatenpunkt, π die Parameter des Modells Uns interessiert P (y X), wobei wir über das Modell marginalisieren
MehrBioinformatik. Methoden zur Vorhersage vo n RNA- und Proteinstrukture n. Gerhard Steger
Bioinformatik Methoden zur Vorhersage vo n RNA- und Proteinstrukture n Gerhard Steger Vorwort ix Strukturvorhersage von Nukleinsäuren 1 Struktur und Funktion von RNA 3 1.1 RNA-Struktur fl 1.2 Thermodynamik
MehrBioinformatik I (Einführung)
Kay Diederichs, Sommersemester 2015 Bioinformatik I (Einführung) Algorithmen Sequenzen Strukturen PDFs unter http://strucbio.biologie.unikonstanz.de/~dikay/bioinformatik/ Klausur: Fr 17.7. 10:00-11:00
MehrÜbung Angewandte Biosignalverarbeitung
Übung Angewandte Biosignalverarbeitung Dr.-Ing. Sebastian Zaunseder e-mail: Sebastian.Zaunseder@tu-dresden.de Telefon: +49 (0)351 463 33786 Raum: Fetscherforum, 1. OG, Raum 32 Die Aufgabe - Schlagdetektion
MehrVL Algorithmische BioInformatik (19710) WS2013/2014 Woche 16 - Mittwoch. Annkatrin Bressin Freie Universität Berlin
VL Algorithmische BioInformatik (19710) WS2013/2014 Woche 16 - Mittwoch Annkatrin Bressin Freie Universität Berlin Vorlesungsthemen Part 1: Background Basics (4) 1. The Nucleic Acid World 2. Protein Structure
MehrBioinformatik I (Einführung)
Kay Diederichs, Sommersemester 2017 Bioinformatik I (Einführung) Algorithmen Sequenzen Strukturen PDFs unter http://strucbio.biologie.unikonstanz.de/~dikay/bioinformatik/ Klausur: Fr 28.7. 10:00-11:00
MehrVertiefendes Seminar zur Vorlesung Biochemie I Bearbeitung Übungsblatt 4
Vertiefendes Seminar zur Vorlesung Biochemie I 20.11.2015 Bearbeitung Übungsblatt 4 Gerhild van Echten-Deckert Fon. +49-228-732703 Homepage: http://www.limes-institut-bonn.de/forschung/arbeitsgruppen/unit-3/
MehrBioinformatik. Methoden zur Vorhersage von RNA- und Proteinstrukturen. Gerhard Steger. Springer Basel AG
Bioinformatik Methoden zur Vorhersage von RNA- und Proteinstrukturen Gerhard Steger Springer Basel AG Autor Dr. Gerhard Steger Heinrich-Heine-Universität Düsseldorf Institut für Physikalische Biologie
MehrBioinformatik I (Einführung)
Kay Diederichs, Sommersemester 2018 Bioinformatik I (Einführung) Algorithmen Sequenzen Strukturen PDFs unter http://strucbio.biologie.unikonstanz.de/~dikay/bioinformatik/ Klausur: Mo 30.7. 14:30-15:30
MehrDot-Matrix Methode. (Java) (Javascript) 80
Dot-Matrix Methode Vergleich zweier Sequenzen (DNA oder Aminosäuren) Idee: gleiche Basen (Aminosäuren) in x-y Diagramm markieren Sequenz 1: ADRWLVKQN Sequenz 2: ADKFIVRDE http://myhits.vital-it.ch/cgi-bin/dotlet
MehrData Mining und Maschinelles Lernen
Data Mining und Maschinelles Lernen Wintersemester 2015/16 Musterlösung für das 7. Übungsblatt Aufgabe 1 Evaluierungsmethoden Ein Datenset enthält 2 n Beispiele, wobei genau n Beispiele positiv sind und
MehrEinführung in die Bioinformatik: Lernen mit Kernen
Einführung in die Bioinformatik: Lernen mit Kernen Dr. Karsten Borgwardt Forschungsgruppe für Maschinelles Lernen und Bioinformatik Max-Planck-Institut für Intelligente Systeme & Max-Planck-Institut für
MehrBioinformatik für Biochemiker
Bioinformatik für Biochemiker Oliver Kohlbacher WS 2009/2010 11. Sekundärstrukturvorhersage Abt. Simulation biologischer Systeme WSI/ZBIT, Eberhard-Karls-Universität Tübingen Überblick Proteinstrukturvorhersage
MehrProteinstrukturvorhersage Strukturelle Bioinformatik WS15/16
Proteinstrukturvorhersage Strukturelle Bioinformatik WS15/16 Dr. Stefan Simm, 02.12.2015 simm@bio.uni-frankfurt.de Proteinstrukturvorhersage EINLEITUNG Strukturparameter Lokale inter Rest Interaktionen
MehrV5: Proteinstruktur: Sekundärstruktur
INHALT V5: Proteinstruktur: Sekundärstruktur - Hierarchischer Aufbau der Proteinstruktur - Ramachandran-Plot - Vorhersage von Sekundärstrukturelementen aus der Sequenz - Membranproteine LERNZIEL - lerne
MehrVertiefendes Seminar zur Vorlesung Biochemie
Vertiefendes Seminar zur Vorlesung Biochemie 31.10.2014 Proteine: Struktur Gerhild van Echten-Deckert Fon. +49-228-732703 Homepage: http://www.limes-institut-bonn.de/forschung/arbeitsgruppen/unit-3/abteilung-van-echten-deckert/abt-van-echten-deckert-startseite/
MehrÜbungsaufgaben. Aufbau und Konformation von Polypeptiden. Einführung in die räumliche Struktur von Proteinen
Computergestützte Strukturbiologie (Strukturelle Bioinformatik) SS09 P. Güntert Übungsaufgaben Aufbau und Konformation von Polypeptiden 1. Warum haben Proteine im Unterschied zu DNA komplizierte und vielfältige
MehrData Mining Künstliche Neuronale Netze vs. Entscheidungsbäume
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Grundseminar HAW Master Informatik 18.04.2017 Inhaltsübersicht Data Mining & Begriffswelt des Data Mining Klassifikation & Klassifikatoren
MehrWichtige Themen aus der Vorlesung Bioinformatik II SS 2016
Universität des Saarlandes FR 6.2 Informatik Prof. Dr. Hans-Peter Lenhof M. Sc. Daniel Stöckel M. Sc. Lara Schneider M. Sc. Tim Kehl I Wichtige Themen aus der Vorlesung Bioinformatik II SS 2016 Hinweis:
Mehr"Korrelation" bei Nominaldaten: Kontingenz
"Korrelation" bei Nominaldaten: Kontingenz j 1 2 3 beobachtete Häufigkeiten (KSV Tabelle 6.3): i Augenfar be Haarfarb e blau braun grün 1 blond 42 1 6 2 braun 12 5 22 3 schwarz 0 26 2 4 rot 8 4 0 175 i
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 3. Vorlesung: 29. April 205 Thomas van Dijk basiert auf Folien von Jan-Henrik Haunert Map Matching Problemformulierung Gegeben: Das Straßennetz als planar
Mehrcomparative structure prediction of ncrna molecules
comparative structure prediction of ncrna molecules using a non Sankoff approach 01. Februar 2008 Inhalt 1 ncrna s - ein Überblick 2 RNAcast - RNA consensus structure prediction Outline und Vorbereitung
MehrSemiüberwachte Paarweise Klassifikation
Semiüberwachte Paarweise Klassifikation Andriy Nadolskyy Bachelor-Thesis Betreuer: Prof. Dr. Johannes Fürnkranz Dr. Eneldo Loza Mencía 1 Überblick Motivation Grundbegriffe Einleitung Übersicht der Verfahren
MehrVorhersage der RNA-Sekundärstruktur
Vorhersage der RNA-Sekundärstruktur Andreas Spillner Bioinformatik, SS 2018 Primärstruktur vs. Sekundärstruktur Primärstruktur Sequenz der Buchstaben (bei RNA entspricht ein Buchstabe jeweils einer Nukleinsäure
MehrThe ROC curve in screening with multiple markers: An application to the triple test in prenatal diagnostics
Statistische Methoden in Evidenz-basierter Medizin und Health Technology Assessment 20. bis 21. November 2003 Freiburg The ROC curve in screening with multiple markers: An application to the triple test
MehrVorhersage von Protein-Funktionen. Patrick Pfeffer
Vorhersage von Protein-Funktionen Patrick Pfeffer Überblick Motivation Einleitung Methode Markov Random Fields Der Gibbs Sampler Parameter-Schätzung Bayes sche Analyse Resultate Pfeffer 2 Motivation Es
MehrComperative Protein Structure Modelling of Genes and Genomes
Comperative Protein Structure Modelling of Genes and Genomes Satisfaction of Spatial Restraints / Loop Modelling Nikolas Gross und Maximilian Miller Ludwig-Maximilians-Universität 29.11.2007 1 von 31 Table
MehrSeminar Biomedical Informatics
Martin Dugas und Xiaoyi Jiang Institut für Informatik Wintersemester 2017 Organisation Vorlage: Englischsprachige Publikation Vortrag: ca. 30min + 15min Diskussion, Hand-out, Blockseminar Anfang Dezember
MehrWichtige Themen aus der Vorlesung Bioinformatik II SS 2017
I Universität des Saarlandes FR 6.2 Informatik Prof. Dr. Hans-Peter Lenhof M. Sc. Tim Kehl M. Sc. Lara Schneider Wichtige Themen aus der Vorlesung Bioinformatik II SS 2017 Hinweis: Dies ist eine stichpunktartige
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2008/2009 Musterlösung für das 7. Übungsblatt Aufgabe 1: Evaluierung und Kosten Gegeben sei ein Datensatz mit 300 Beispielen, davon 2 /3 positiv
Mehr7. Woche Extra-Material: - Beispiele von Codes. 7. Woche: Beispiele von Codes 144/ 238
7 Woche Extra-Material: - Beispiele von Codes 7 Woche: Beispiele von Codes 144/ 238 Hamming-Matrix H(h) und Hammingcode H(h) Wir definieren nun eine Parity-Check Matrix H(h) von einem neuen Code: Parametrisiert
MehrKapitel I -> Moleküle des Lebens. Biophysikalische Methoden Kapitel I Moleküle des Lebens
Kapitel I -> Moleküle des Lebens 1 Themen DNA, Polysaccharide, Lipide, Proteine Literatur V. B. Alberts, D. Bray, J. Lewis, M. Raff, K. Roberts, J. D. Watson. 1997. Molecular biology of the cell. New York:
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 8. Vorlesung: 10. Dezember 2012 Jan-Henrik Haunert Map Matching Problemformulierung Gegeben: Das Straßennetz als planar eingebetteter Graph G = V, E Die
MehrZielfunktion. Minimierung von ψ ("Summe der Fehlerquadrate", Fehlerfunktional) calc i
Neuronale Netzwerke Ziel: Modellierung von komplexen Zusammenhängen ohne Einsicht in die Art des funktionalen Zusammenhanges Idee: Zusammenwirkung von Neuronen-Inputs zur Bildung des Neuronen-Outputs (konzeptuell!)
MehrHinweise zur Zitation in naturwissenschaftlichen Arbeiten
Hinweise zur Zitation in naturwissenschaftlichen Arbeiten Im Text werden alle aus der Literatur übernommenen Gedanken bzw. Aussagen mit einem Zitat der Quelle belegt. Wörtliche Zitate (in Anführungszeichen)
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 3. Vorlesung: 23. April 2014 Thomas van Dijk basiert auf Folien von Jan-Henrik Haunert Map Matching Problemformulierung Gegeben: Das Straßennetz als planar
MehrMultiple Alignments. Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann. Webseite zur Vorlesung
Multiple Alignments Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann Webseite zur Vorlesung http://bioinfo.wikidot.com/ Sprechstunde Mo 16-17 in OH14, R214 Sven.Rahmann -at-
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Evaluation & Exploitation von Modellen
INTELLIGENTE DATENANALYSE IN MATLAB Evaluation & Exploitation von Modellen Überblick Schritte der Datenanalyse: Datenvorverarbeitung Problemanalyse Problemlösung Anwendung der Lösung Aggregation und Selektion
MehrBioinformatik für Biochemiker
Bioinformatik für Biochemiker Oliver Kohlbacher WS 2009/2010 12. Threading Abt. Simulation biologischer Systeme WSI/ZBIT, Eberhard-Karls-Universität Tübingen Gliederung Begriffe und Definitionen Faltungsklassen
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Evaluation & Exploitation von Modellen
INTELLIGENTE DATENANALYSE IN MATLAB Evaluation & Exploitation von Modellen Überblick Schritte der Datenanalyse: Datenvorverarbeitung Problemanalyse Problemlösung Anwendung der Lösung Aggregation und Selektion
MehrFOLDALIGN und sein Algorithmus. Nadine Boley Silke Szymczak
FOLDALIGN und sein Algorithmus Nadine Boley Silke Szymczak Gliederung 2 Einleitung Motivation des Ansatzes zu FOLDALIGN Sankoff-Algorithmus Globales Alignment Zuker-Algorithmus Kombination FOLDALIGN Algorithmus,
MehrDas Seminar findet statt Mittwochs, in W9-108, Die Sprechstunde von Frank Zöllner ist Freitags, Uhr in M6-115.
1 Proteine in der Bioinformatik Im Rahmen des Seminars sollen einige Anwendungsbereiche aus dem Gebiet der Bioinformatik vorgestellt werden. Insbesondere soll auf folgende Punkte eingegangen werden: Methoden
MehrCharakterisierung von 1D Daten
Charakterisierung von D Daten Mittelwert: µ, Schätzung m x = x i / n Varianz σ2, Schätzung: s2 = (s: Standardabweichung) Höhere Momente s 2 = ( x i m x ) 2 n ( ) Eine Normalverteilung ist mit Mittelwert
MehrProtein-Datenbanken. Protein- Datenbanken. Christian Fink
Protein- Datenbanken Christian Fink 1 » Übersicht «PDB PDB_TM OPM HIC-UP Klotho 2 » PDB «PDB = Protein Data Bank 3D-Strukturen von Proteinen & Nukleinsäuren Gegründet 1971 als freies Archiv für biologische
MehrData Mining und Maschinelles Lernen Lösungsvorschlag für das 7. Übungsblatt
Data Mining und Maschinelles Lernen Lösungsvorschlag für das 7. Übungsblatt Knowledge Engineering Group Data Mining und Maschinelles Lernen Lösungsvorschlag 7. Übungsblatt 1 Aufgabe 1a) Auffüllen von Attributen
Mehr, Data Mining, 2 VO Sommersemester 2008
Evaluation 188.646, Data Mining, 2 VO Sommersemester 2008 Dieter Merkl e-commerce Arbeitsgruppe Institut für Softwaretechnik und Interaktive Systeme Technische Universität Wien www.ec.tuwien.ac.at/~dieter/
MehrAlgorithmen & Datenstrukturen Blatt 4
Algorithmen & Datenstrukturen Blatt 4 Dr. Matthias Thimm Tina Walber, Leon Kastler, Martin Leinberger und Maximilian Strauch Fachbereich Informatik, Universität Koblenz-Landau 7. Dezember 2013 1 1 Experimentelle
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Evaluation & Exploitation von Modellen Überblick Sh Schritte der Datenanalyse: Datenvorverarbeitung Problemanalyse Problemlösung Anwendung der Lösung Aggregation und
Mehr6 Proteinstrukturen und die dritte Dimension
6 Proteinstrukturen und die dritte Dimension Modul 10-202-2208 Bioinformatik von RNA- und Proteinstrukturen Stephan Bernhart Lehrstuhl Bioinformatik 2. Juni 2013 Stephan Bernhart (Lehrstuhl Bioinformatik)
MehrMolekulare Bioinformatik
Molekulare Bioinformatik Wintersemester 2013/2014 Prof. Thomas Martinetz Institut für Neuro- und Bioinformatik Universität zu Luebeck 14.01.2014 1 Molekulare Bioinformatik - Vorlesung 11 Wiederholung Wir
MehrInformatik I - Programmierung Globalübung Hoare-Kalkül. Thomas Weiler. Fachgruppe Informatik RWTH Aachen. T. Weiler, RWTH Aachen - 1 -
Informatik I - Programmierung Globalübung 11.11.2003 Hoare-Kalkül Thomas Weiler Fachgruppe Informatik RWTH Aachen T. Weiler, RWTH Aachen - 1 - Ariane 5 Die Ariane 5 ist das jüngste Modell der Trägerrakete
MehrÜbungen zum Vorkurs Mathematik
Übungen zum Vorkurs Mathematik Blatt 1 W.S.2009/2010 - Ernst Bönecke Aufgaben zur Aussagenlogik 1.) Seien A, B, C Aussagen. Beweisen Sie mit Hilfe von Wahrheitstafeln, dass folgende Aussagen stets wahr
MehrBerechnung optimaler Bayesscher Netzwerke. Ivo Große IPK Gatersleben Bioinformatikzentrum Gatersleben-Halle
Berechnung optimaler Bayesscher Netzwerke Ivo Große IPK Gatersleben Bioinformatikzentrum Gatersleben-Halle Markov Modelle Markov 0 - Nukleotide statistisch unabhängig - position weight matrix (Staden 1984)
Mehrr=0.666 Number of people who drowned by falling into a pool correlates with Films Nicolas Cage appeared in 140 drownings 6 films 4 films 120 drownings
r=.666 Number of people who drowned by falling into a pool correlates with Films Nicolas Cage appeared in 5 6 7 8 9 6 films drownings films drownings films 8 drownings Nicholas Cage Swimming pool drownings
MehrWiederholung der zweiten Schularbeit Mathematik Klasse 7D WIKU am
Wiederholung der zweiten Schularbeit Mathematik Klasse 7D WIKU am 22.12.2014 SCHÜLERNAME: Punkte im ersten Teil: Punkte im zweiten Teil: Davon Kompensationspunkte: Note: Notenschlüssel: Falls die Summe
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester Lösungsblatt 4 Maschinelles Lernen und Spracherkennung
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 216 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Lösungsblatt 4 Maschinelles Lernen und Spracherkennung Aufgabe
MehrKlausur. Diskrete Mathematik I. Donnerstag, den um 14 Uhr
, Klausur Diskrete Mathematik I Donnerstag, den 29.02.2008 um 14 Uhr Aufgabenblätter Füllen Sie das Deckblattvollständigaus. Prüfen Sie, ob die Klausur 8 Aufgaben enthält.. Kennzeichnen Sie alle verwendeten
MehrWichtige Themen aus der Vorlesung Bioinformatik II SS 2014
Universität des Saarlandes FR 6.2 Informatik Prof. Dr. Hans-Peter Lenhof M. Sc. Daniel Stöckel M. Sc. Patrick Trampert M. Sc. Lara Schneider Wichtige Themen aus der Vorlesung Bioinformatik II SS 2014 Hinweis:
MehrAufbau und Konformation von Polypeptiden
1 Aufbau und Konformation von Polypeptiden Peter Güntert, Sommersemester 2009 Hierarchie von Proteinstrukturen Primärstruktur: Aminosäuresequenz Sekundärstruktur: Helices, Faltblätter, Turns, Loops Tertiärstruktur:
Mehr3. Approximation von Funktionen und Extremwertprobleme im R n
3. Approximation von Funktionen und Extremwertprobleme im R n Wie in D ist es wichtig Funktionen mit mehreren Variablen durch Polynome lokal approximieren zu können. Polynome lassen sich im Gegensatz zu
Mehr(d) das zu Grunde liegende Problem gut konditioniert ist.
Aufgabe 0: (6 Punkte) Bitte kreuzen Sie die richtige Lösung an. Es ist jeweils genau eine Antwort korrekt. Für jede richtige Antwort erhalten Sie einen Punkt, für jede falsche Antwort wird Ihnen ein Punkt
MehrKlausur zu Analysis II - Lösungen
Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Dr. Axel Grünrock WS 1/11 11..11 Klausur zu Analysis II - Lösungen 1. Entscheiden Sie, ob die folgenden Aussagen richtig oder falsch sind.
Mehr3 Proteinstrukturen. Modul Bioinformatik von RNA- und Proteinstrukturen. Stephan Bernhart. 5. Mai Professur Bioinformatik
3 Proteinstrukturen Modul 10-202-2208 Bioinformatik von RNA- und Proteinstrukturen Stephan Bernhart Professur Bioinformatik 5. Mai 2014 Stephan Bernhart (Professur Bioinformatik) 3 Proteinstrukturen 5.
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Hidden Markov Modelle - 2 - Idee Zu klassifizierende Merkmalvektorfolge wurde von einem (unbekannten) System erzeugt. Nutze Referenzmerkmalvektorfolgen um ein Modell Des erzeugenden Systems zu bauen
MehrHinweis. Vorlesungs-Mitschnitt (WS 2008/9) Prof. Ulrik Brandes Algorithmen und Datenstrukturen Video (26 Episoden)
Hinweis Vorlesungs-Mitschnitt (WS 2008/9) Prof. Ulrik Brandes Algorithmen und Datenstrukturen Video (26 Episoden) https://streaming.uni- konstanz.de/archive/vorlesungen/wintersemester- 2008/algorithmen-und-datenstrukturen/
MehrStatistische Verfahren:
Statistische Verfahren: Hidden-Markov-Modelle für Multiples Alignment Stochastic Context-Free Grammars (SCFGs) für RNA-Multiples Alignment Übersicht 1 1. Hidden-Markov-Models (HMM) für Multiples Alignment
MehrDiagnostische Verfahren
6. Diagnostische s Jede Registrierung oder Auswertung einer Information mit dem Ziel der Erkennung einer Erung oder eines speziellen Zustandes wird diagnostischer genannt. Beispiele Reaktion auf Ansprechen
MehrStatistische Methoden in der Bioinformatik
Statistische Methoden in der Bioinformatik Prof. Dr. Jörg Rahnenführer Raum 720 Email: rahnenfuehrer@statistik. tu-.de Voraussetzungen: Vordiplom in Statistik, Mathematik, Datenanalyse, Informatik Zeiten
MehrLandau-Theorie der Phasenumwandlung von Membranen
Landau-Theorie der Phasenumwandlung von Membranen Vorbemerkung Vorbemerkung: Um Einblick in die thermodynamischen aber auch strukturellen Eigenschaften von Lipidschichten zu erhalten, ist die klassische
MehrInformatik IIa: Modellierung
Informatik IIa: Modellierung Frühlingssemester 2011 Übung 3: Steuerflussmodelle, UML Kapitel 4, 5 Ausgabe: 19.03.2013 Abgabe: 09.04.2013 Name: Matrikelnummer: Aufgabe 1 Wissensfragen zu Steuerflussmodellen
Mehr11. Übung Algorithmen I
Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
MehrAlexander Garvin Klenner
9RUKHUVDJHXQG9LVXDOLVLHUXQJYRQ3URWHLQIDOWXQJ Alexander Garvin Klenner Abb. 1: menschliches Insulin [ Grafik erstellt mit RasMol by Sayle ] $EVWUDFW Diese Arbeit befasst sich mit der Vorhersage und Visualisierung
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R Käppeli L Herrmann W Wu Herbstsemester 26 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 2 Aufgabe 2 Welche der folgenden Aussagen sind korrekt? (i) Jedes
Mehr1. XOR: Mit folgender Architektur geht es. x 1. x n-dimensionale Lernprobleme mit einer n-2-1-architektur lösen ...
1. XOR: Mit folgender Architektur geht es x 1 x 2 2. n-dimensionale Lernprobleme mit einer n-2-1-architektur lösen x 1 x 2... x 2 Loading-Problem: Für eine endliche Liste binärer Trainingspaare (x(1),d(1)),l,(x(k)d(k))
MehrDas Verfahren der FMF Deutschland zur Berechnung des Risikos von Chromosomenanomalien im 1. Trimester der Schwangerschaft. Erläuterungen zu den DoE
Das Verfahren der FMF Deutschland zur Berechnung des Risikos von Chromosomenanomalien im 1. Trimester der Schwangerschaft Erläuterungen zu den DoE Susanne Richter - Product Manager Prenatal Screening,
MehrSchriftlicher Test Teilklausur 2
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2012 / 2013 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher
MehrSerie 12: Eigenwerte und Eigenvektoren
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie : Eigenwerte und Eigenvektoren Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom 7 und 9 Dezember Finden Sie für folgende
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
MehrERASMUS Programme Stand Oktober Teaching and Courses University of Osnabrück School of Biology
ERASMUS Programme Stand Oktober 201 Teaching and Courses University of Osnabrück School of Biology Summer Semester English courses/german courses (in English if requested) *V: Vorlesung (Lecture); S: Seminar
MehrStudying Invisible Excited Protein States in Slow Exchange with a Major State Conformation
Studying Invisible Excited Protein States in Slow Exchange with a Major State Conformation JACS 2012 Pramodh Vallurupalli, Guillaume Bouvignies, and Lewis E. Kay MR-Seminar Nina Kubatova 1 13.10.2014 Inhaltverzeichnis
MehrLogistische Regression
Logistische Regression Markus Kalisch 30.09.2014 1 Big Picture: Statistisches Lernen Supervised Learning (X,Y) Unsupervised Learning X VL 7, 11, 12 Regression Y kontinuierlich VL 1, 2, 4, 5, 6 Klassifikation
MehrProteine V: Flexibilität. Funktion und Struktur Dynamik marginale Stabilität Abbau
Proteine V: Flexibilität Funktion und Struktur Dynamik marginale Stabilität Abbau 135 Flexibilität: Experiment und Rechnung NMR: mehrere Modelle X-ray: Temperaturfaktoren Molekulardynamik: löse Newton'sche
MehrLiebe Schüler der zukünftigen 7. Klassen des Marie-Curie- Gymnasiums
Marie-Curie-Gymnasium Waldstrasse 1a 16540 Hohen Neuendorf Tel.: 03303/9580 Liebe Schüler der zukünftigen 7. Klassen des Marie-Curie- Gymnasiums Um euch den Einstieg in den Mathematikunterricht zu erleichtern,
MehrPrüfung zur Vorlesung Mathematik I/II
Prof. Dr. E. W. Farkas ETH Zürich, August 2009 D BIOL, D CHAB Prüfung zur Vorlesung Mathematik I/II Bitte ausfüllen! Name: Vorname: Bitte nicht ausfüllen! Aufgabe Punkte Kontrolle 1 2 3 4 5 6 Total Vollständigkeit
MehrElementare Beweismethoden
Elementare Beweismethoden Christian Hensel 404015 Inhaltsverzeichnis Vortrag zum Thema Elementare Beweismethoden im Rahmen des Proseminars Mathematisches Problemlösen 1 Einführung und wichtige Begriffe
MehrZusammenfassung Tutorien der Woche ALDABI
Zusammenfassung Tutorien der Woche 27.-31. 01. 2014 ALDABI Markov-Ketten: Viele Ereignisse schon in unserem Alltag beeinflussen sich gegenseitig, können also als Ablauf oder Kette von Ereignissen gesehen
Mehr2. Klausur zur Funktionentheorie SS 2009
Aufgabe : Finden Sie ein Beispiel für eine meromorphe Funktion f M(C), die auf den Kreisringen A 0, (0) und A,2 (0) unterschiedliche Laurentreihenentwicklungen besitzt. Beweisen Sie, dass Ihr Beispiel
MehrDiagnostikstudien. Dr. Dirk Hasenclever IMISE, Leipzig.
Diagnostikstudien Dr. Dirk Hasenclever IMISE, Leipzig Hasenclever@IMISE.uni-Leipzig.de Diagnostische Tests Krankheit ja Krankheit nein Test positiv TrueP FP Test negativ FN TrueN Test- Positive Test- Negative
Mehr