Du befindest dich hier: FSI Informatik » Prüfungsfragen und Altklausuren » Hauptstudiumsprüfungen » Informatik Forschungsgruppe M – Medizinische Informatik / LS für Medizinische Informatik » 2021-07-21 Mündliche Prüfung "Einführung in die Bioinformatik für die Translationale Medizin (BioInfEinf)"   (Übersicht)

Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen der Seite angezeigt.

Link zu der Vergleichsansicht

Nächste Überarbeitung		Vorherige Überarbeitung
pruefungen:hauptstudium:ls_medinf:2021-07-21_einfbioinf [22.07.2021 13:24] – angelegt henipruefungen:hauptstudium:ls_medinf:2021-07-21_einfbioinf [22.07.2021 13:27] (aktuell) – heni
Zeile 23: Zeile 23:
     * Konzept der Hidden-Markov-Modelle und Viterbi-Algorithmus erklärt     * Konzept der Hidden-Markov-Modelle und Viterbi-Algorithmus erklärt
   * Wie funktioniert der BLAST-Algorithmus   * Wie funktioniert der BLAST-Algorithmus
-    * +    * habe den Ablauf erklärt und kurz erwähnt, dass die Ergebnisse mittels E-Value bewertet/eingeschätzt werden können
   * Wie kann ich Proteinstrukturen vorhersagen und was sind dabei Schwierigkeiten und Herausforderungen   * Wie kann ich Proteinstrukturen vorhersagen und was sind dabei Schwierigkeiten und Herausforderungen
     * verschiedene Proteinstrukturen erklärt und, dass gerade bei Tertiär- und Quartärstrukturen das Problem der kombinatorischen Explosion auftritt wegen der vielen Faltungsmöglichkeiten     * verschiedene Proteinstrukturen erklärt und, dass gerade bei Tertiär- und Quartärstrukturen das Problem der kombinatorischen Explosion auftritt wegen der vielen Faltungsmöglichkeiten
Zeile 44: Zeile 44:
       * Transformation zu Chance mitteln log(y/(1-y)) -> y-Werte sind jetzt +/- INF       * Transformation zu Chance mitteln log(y/(1-y)) -> y-Werte sind jetzt +/- INF
       * Gerade durchlegen und damit ŷ bestimmen durch 'projezieren' der x-Werte daran       * Gerade durchlegen und damit ŷ bestimmen durch 'projezieren' der x-Werte daran
-      * Rücktransformation mitteln e^log(ŷ) * 1/(1+e^log(ŷ))+      * Rücktransformation mittels e^log(ŷ) * 1/(1+e^log(ŷ))
       * y-Werte sind jetzt im Intervall [0;1]       * y-Werte sind jetzt im Intervall [0;1]
       * Likelihood berechnen       * Likelihood berechnen