Lehre

Dieses Modul bietet eine Einführung in den gesamten Ablauf eines Data-Science-Projekts und dessen praktische Umsetzung in einer passenden Programmiersprache. Die besprochenen Themen reichen von Datentypen und Datenvisualisierung über Grundbegriffe aus Wahrscheinlichkeitsrechnung und Statistik, Sampling und Random Simulations bis hin zur Klassifikation, Prädiktion und Clustering.  Data Science Methoden werden im Kontext individueller empirischer Fragestellungen erarbeitet.

Data Science verändert grundlegend viele Bereiche der Medizin. Dies gilt insbesondere auch für die Krebsforschung. Data Science, Bioinformatik und künstliche Intelligenz sind die treibenden Kräfte moderner Arzneimittelentwicklung, Diagnostik und Therapieplanung. Dieses Modul führt in die onkologische Data Science ein. Hochdimensionale molekulare Daten wie Tumorgenome, Genexpressionsprofile sowie Daten aus der Proteomik und Metabolomik werden vorgestellt und ihre Rolle in der Krebsforschung und Krebsdiagnostik erläutert.
 

Die Teilnehmenden bearbeiten eine wissenschaftliche Datenanalyse im Zusammenhang mit einem biologischen oder medizinischen Projekt. Die Studierenden arbeiten eigenständig, treffen sich jedoch wöchentlich mit ihrer jeweiligen Betreuerin bzw. ihrem jeweiligen Betreuer. Zur Mitte des Semesters präsentieren die Studierenden ihre Fortschritte vor einer Gruppe von Forschenden mit unterschiedlichen fachlichen Hintergründen. Als Abschlussleistung gestalten die Studierenden ein A0-Poster, um ihre Arbeit im Rahmen einer wissenschaftlichen Postersession zu präsentieren.
 

Der sehr praktisch ausgerichtete Modulteil Developer Skills stellt grundlegende Fertigkeiten und Tools für Data Science Entwickler vor.  Hier werden Themen und Tools wie File Systeme, Pfade, die Command Line, LINUX Basics, Shells, Umgebungsvariablen, Texteditoren, Plug-Ins, Scripting, Pipes, Remote Access, Crypto Keys, VPN, Open Source Software, Lizenzen, Markdown, Jupyter, Git, GitHub Issues, Stack Overflow und effektive Internetsuche behandelt. 

Dieser Blockkurs bietet einen Einblick in den gesamten Ablauf eines Data-Science-Projekts und dessen praktische Umsetzung in einer passenden Programmiersprache. Die besprochenen Themen reichen von Datentypen und Datenvisualisierung über Grundbegriffe aus Wahrscheinlichkeitsrechnung und Statistik, Sampling und Random Simulations bis hin zur Klassifikation, Prädiktion und Clustering.  Data Science Methoden werden im Kontext individueller empirischer Fragestellungen erarbeitet. 

Die erste Woche von diesem Blockkurs fokussiert auf die Programmierung in Python.
 

Das Selfpaced Forschungsmodul dient als erste Einführung in das eigenständige wissenschaftliche Arbeiten im Bereich Data Science über einen längeren Zeitraum hinweg. Den Studierenden wird eine wissenschaftliche Fragestellung zugewiesen, an der sie während des gesamten Semesters arbeiten. Die Studierenden entwickeln eigenständig Arbeits- und Zeitpläne, die sie fortlaufend an den Projektfortschritt anpassen. Sie treffen sich regelmäßig mit einer Mentorin oder einem Mentor, um ihre Fortschritte zu präsentieren und Ziele für das nächste Treffen festzulegen. Darüber hinaus stellen die Teilnehmenden ihren Projektfortschritt zweimal im Semester vor Publikum und Mentoren vor, um weiteres Feedback zu erhalten. Die Themen der angebotenen Projekte decken aktuelle Entwicklungen in allen Teilbereichen der Data Science ab. Im Rahmen des Moduls werden die Projektfortschritte in der Gruppe diskutiert, der wissenschaftliche Kontext der Projekte vertieft sowie allgemeine wissenschaftliche Methoden und Kompetenzen vermittelt.
 

In der Bachelorarbeit forschen die Studierenden bei uns an bioinformatischen Data Science Themen. Als Beispiele finden sich aktuelle wissenschaftliche Themen auf www.spang-lab.de/projects. Interessenten für eine Bachelorarbeit melden sich bei Rainer.spang@ur.de.
 

Wir halten wöchentliche Treffen ab, um Fortschrittsberichte von Gruppenmitgliedern und Masterstudierenden zu diskutieren, veranstalten Seminare zu aktuellen wissenschaftlichen Veröffentlichungen über statistische und algorithmische Themen der Bioinformatik und begrüßen Gastwissenschaftlerinnen und Gastwissenschaftler, die ihre aktuelle Forschung vorstellen. Wer Interesse an einer Teilnahme hat, meldet sich bei Claudio Lottaz (claudio.lottaz@ur.de).
 

Die Teilnehmenden lesen eine Reihe ausgewählter wissenschaftlicher Fachartikel über Algorithmen in der Bioinformatik. Sie reichen eine priorisierte Liste der Artikel ein, die sie bevorzugt einem wissenschaftlichen Publikum präsentieren möchten. Anschließend wird jeder bzw. jedem Teilnehmenden einer dieser Artikel zugewiesen. Die Teilnehmenden halten darüber einen 30-minütigen Vortrag vor einem Publikum aus Studierenden und Forschenden.
 

Die Teilnehmenden bearbeiten eine wissenschaftliche Datenanalyse im Zusammenhang mit einem biologischen oder medizinischen Projekt. Die Studierenden arbeiten eigenständig, treffen sich jedoch wöchentlich mit ihrer jeweiligen Betreuerin bzw. ihrem jeweiligen Betreuer. Zur Mitte des Semesters präsentieren die Studierenden ihre Fortschritte vor einer Gruppe von Forschenden mit unterschiedlichen fachlichen Hintergründen. Als Abschlussleistung gestalten die Studierenden ein A0-Poster, um ihre Arbeit im Rahmen einer wissenschaftlichen Postersession zu präsentieren oder verfassen einen Bericht analog zu einem wissenschaftlichen Artikel.