Außercurriculares Modulangebot

Aktuelle Datenschutzverfahren aus der Forschung 5 LP

Qualifikationsziele:

Nach der aktiven Teilnahme am Modul „Aktuelle Datenschutzverfahren aus der Forschung“ verfügen die Studierenden über die Fähigkeit, sich in komplexe neue Datenschutzmaße, -techniken und -verfahren einzuarbeiten. Sie können Konzepte aus der Forschung kritisch analysieren und bewerten, und auf ihre Anwendbarkeit für bestimmte Einsatzszenarien hin evaluieren. Die Studierenden können diese Konzepte Fachfremden verständlich und überzeugend präsentieren und Alternativansätze gegenüberstellen.

Inhalt:
Das Seminar stellt die Studierenden vor die Aufgabe, für sie neue, komplexe Datenschutzprobleme und Datenschutzlösungen zu verstehen und zu bewerten, und diese so aufzubereiten und zu präsentieren, dass sie für Personen ohne Datenschutz-Fachwissen verständlich werden.

 

Bio-Image für Data Science 5 LP (unter dem Modultitel Aktuelle Trends in Data Science)

Qualifikationsziele:

Students learn the full workflow of common bio-image data science projects to a degree that they can execute a scientific
data analysis project in this context on their own. They will be familiar with common bio-image analysis algorithms and
workflows, how to choose them according to a scientific goal, and how to measure quality of derived results. Attending the lecture and executing the practicals qualifies the students to work as bio-image data scientist in the pharmaceutical industry or basic biological research.

Inhalt:
During the lectures, students will learn:

• Basics of microscopy image acquistion
• Image Data Management
• Microscopy image analysis (filtering, segmentation, feature extraction)
• Quality Assurance
• Supervised and unsupervised machine learning for pixel, object and image classification / clustering
• Deep Learning techniques for image denoising and segmentation
• Multi-modal Deep Learning + Large Language Models for bio-image analysis
• Prompt-Engineering

The practicals allow the students to apply the taught techniques practically and towards the end of the semester they will solve a complex task.

Computergestützte Wirkstoffentwicklung 10 LP

Qualifikationsziele:

Nach der aktiven Teilnahme am Modul sind die Studierenden in der Lage
• grundlegende Begriffe aus der Vorlesung zu definieren und zu erklären
• ausgewählte Verfahren und Algorithmen des virtuellen Wirkstoff-Screenings und Wirkstoff-Designs zu beschreiben und zu analysieren
• algorithmische Lösungsansätze zu erklären und diese selbstständig auf Problemstellungen anzuwenden
• Aufgabenstellungen praktisch in Form eines Software-basierten Verfahrens zu lösen.

Inhalt:
Arten von virtuellen Wirkstoffbibliotheken (Fragment-basiert, Reaktions-basiert u.a.). Kodierung von chemischen Molekülen und Reaktionen. Molekül-Deskriptoren und ihre Verwendung für die Modellierung von Struktur-Aktivitäts-Beziehungen (QSAR). Algorithmen des Liganden- und Rezeptor-basierten virtuellen Screenings (Methoden des Maschinellen Lernens, Liganden-Docking u.a.). Bedeutung und Anwendung von Pharmakophormodellen im virtuellen Screening. Modellierung von Rezeptor-Ligand-Interaktionen (Scoring Funktionen, Moleküldynamik, u.a.). Die Vorlesungsinhalte werden durch das Seminar, in dem aktuelle Forschungsarbeiten aus der computergestützten Wirkstoffentwicklung diskutiert werden, und durch das Praktikum, in dem praktische Fähigkeiten mit Software-basierten Verfahren der Wirkstoffentwicklung erprobt werden, vertieft.

Formale Argumentation 5 LP

Qualifikationsziele:

Nach der aktiven Teilnahme am Modul „Formale Argumentation“ sind die Studierenden in der Lage:

• das vermittelte Grundlagenwissen im Bereich der Argumentation zu erläutern und mit dem Gebiet der klassischen Logik zu kontrastieren,
• Einsatzmöglichkeiten von Argumentationsformalismen zu beschreiben und

vermittelte Methoden auf weitere Formalismen zu übertragen.

Inhalt:

Wesentliche Inhalte sind:

• Abstrakte Argumentationsformalismen, insbesondere Dung AFs
• Semantiken, Realisierbarkeit, Ersetzung, Äquivalenz und typische Entscheidungsfragen
• Strukturierte Argumentationsformalismen, insbesondere Assumption-based Argumentation

Argumente, Attacken und Akzeptierbarkeit

KI im Gesundheitswesen 5 LP

Qualifikationsziele:

Nach aktiver Teilnahme am Modul "Künstliche Intelligenz im Gesundheitswesen" sind die Studierenden in der Lage:

• Anwendung von Machine Learning in Medizin zu erläutern
• Mögliche Probleme bei solchen Anwendungen zu identifizieren
• Ethische Bedenken zu diskutieren
• künstliche neuronale Netze-/Machine Learning-Verfahren und Algorithmen zu beschreiben und selbständig zu implementieren

Inhalt:

Vorlesung:

• Überwachte / Unüberwachte ML-Ansätze zur Verbesserung der Diagnose und Behandlung von Patienten
• Beurteilung und Erklärbarkeit von ML-Modellen
• Bias und Fairness
• Personalisierte Medizin

Praktikum: Implementierung von konkreten Anwendungsfällen mit R/Python

Verifikation 5 LP

Qualifikationsziele:

Nach aktiver Teilnahme am Modul „Verifikation“ kennen die Studierenden die grundlegenden Konzepte der mathematisch fundierten formalen Verifikation von endlichen Systemen. Sie können endliche Systeme sowie deren Eigenschaften mit Hilfe klassischer Formalismen (Büchiautomaten, temporale Logiken) modellieren. Sie kennen grundlegende Algorithmen, mit deren Hilfe wichtige Eigenschaften von Systemen automatisch nachgewiesen bzw. widerlegt werden können. Sie kennen darüber hinaus die Grenzen der formalen Verifikation und sind in der Lage, Aussagen über die automatische Verifizierbarkeit von Eigenschaften endlicher Systeme zu treffen. Die Studierenden vertiefen grundlegende Beweistechniken auf dem Gebiet der Automatentheorie und Logik. Sie erhalten weiterhin Einblicke in die aktuelle Forschung auf dem Gebiet der formalen Verifikation.

Inhalt:

Es werden zunächst wichtige Formalismen zur Analyse von endlichen Systemen vorgestellt, hier insbesondere Büchiautomaten, Kripkestrukturen und temporale Logiken wie LTL und CTL. Es werden weiterhin klassische Entscheidungsprobleme (Erreichbarkeitsproblem, Sprachinklusionsproblem, Erfüllbarkeitsproblem, Model Checking) vorgestellt und deren Relevanz für die formale Verifikation aufgezeigt. Wir behandeln für ausgewählte Formalismen en detail die jeweils interessantesten Entscheidungsprobleme, d.h. beweisen die (Un)entscheidbarkeit sowie die Komplexität der Probleme.

Praktikum: Implementierung von konkreten Anwendungsfällen mit R/Python