BMETE91AM53

Nyomtatóbarát változatNyomtatóbarát változat
Tantárgy azonosító adatok
A tárgy címe: 
Bioinformatika
A tárgy angol címe: 
Bioinformatics
A tárgy rövid címe: 
Bioinformatika
2
0
0
v
Kredit: 
2
Ajánlott/Kötelező előtanulmányi rend
1.Követelménytárgy kódja: 
BMEVISZAB01
1.Követelménytárgy (rövidített) címe: 
AlgoritmusElm
2.Követelménytárgy kódja: 
BMETE95AM31
2.Követelménytárgy (rövidített) címe: 
Statisztika 1
A tantárgy felelős tanszéke: 
Algebra Tanszék
A tantárgy felelős oktatója: 
Dr. Miklós István
A tantárgy felelős oktatójának beosztása: 
Tudományos munkatárs
Akkreditációs adatok
Akkreditációra benyújtás időpontja: 
2015.02.16.
Akkreditációs bizottság döntési időpontja: 
2016.04.18.
Tematika
A tantárgy az alábbi témakörök ismeretére épít: 
valószínűségszámítás alapfogalmai
A tantárgy szerepe a képzés céljának megvalósításában: 
TTK Matematika (BSc) képzés Adattudományi sávjának kötelezően választható tárgya.
A tantárgy részletes tematikája magyarul és angolul: 

Dinamikus programozás Szekvenciaillesztés lineáris és tetszőleges résbüntetéssel. Gotoh algoritmusai affin és konkáv résbüntetésekre. Lokális szekvencaillesztés. Hierschberg algoritmus. A többszörös szekvenciaillesztési feladat, stratégiák, sum-of-pairs értékelés és annak NP-nehéz volta.
A legtakarékosabb fa problémája, multiway cut fákra, a Russel-Sankoff algoritmus. Nussinov algoritmusa maximális párosodásra álcsomó-mentes RNS térszerkezetekben. Transzformációs nyelvtanok Chomsky hierarchiája. Sztochasztikus reguláris nyelvtanok. Viterbi, Forward és Backward algoritmusok. Expectation Maximization. Az EM iterációban a likelihood monoton növekszik. A tropikus félgyűrű. A Viterbi algoritmus a Forward
algoritmus tropikalizációja. A Chomsky Normal Form. Minden sztochasztikus környezetfüggetlen nyelvtan valószínűségtartóan átí rható CNF-be. A
CYK, Inside és Outside algoritmusok, Expectation Maximization. Algebrai dinamikus programozás, yield grammar, evaluation grammar, hatékony implementáció objektumorientált programozási nyelvekben. Alkalmazások CpG szigetek keresése genomokban. Génkeresés. Fehérjék másodlagos térszerkezetének predikciója. A Knudsen-Hein nyelvtan, RNS-ek térszerkezetének predikciója. Genomátrendeződés. A dupla vágás és kötés model. A Hannenhalli-Pevzner elmélet: előjeles permutációk legtakarékosabb rendezései reverziókkal . Hierarchikus klaszterezés, evolúciós fa építés Ultrametrika, hierarchikus klaszterezés, UPGMA. Additív metrika, Neighbor Joining algoritmus. Karakter alapú faépítés, a nagy parszimónia probléma NP-nehéz. Adott fokszámsorozatot realizáló egyszerű, páros, irányított gráfok. Havel-Hakimi algoritmus. Bevezetés a
Markov lánc Monte Carlo módszerekbe: a Metropolis-Hastings algoritmus. Gibbs sampling. Parallel Tempering, Simulated Annealing . Példák alkalmazásokra. Tételek Markov láncok konvergenciasebességére. A mintavételezések bonyolultságelméleti alapjai: bonyolultsági osz tályok. Híres nehéz approximálható problémák.

Követelmények szorgalmi időszakban: 
részvétel az előadásokon
Követelmények vizsgaidőszakban: 
vizsga
Pótlási lehetőségek: 
TVSZ szerint
Konzultációs lehetőségek: 
TVSZ szerint
A tárgy elvégzéséhez átlagosan szükséges tanulmányi munka mennyisége órákban (a teljes szemeszterre számítva)
Kontakt óra: 
28
Félévközi felkészülés órákra: 
14
Felkészülés zárthelyire: 
0
Zárthelyik megírása: 
0
Házi feladat elkészítése: 
0
Kijelölt írásos tananyag elsajátítása (beszámoló): 
0
Egyéb elfoglaltság: 
0
Vizsgafelkészülés: 
18
Összesen: 
60
Ellenőrző adat: 
60
A tárgy tematikáját kidolgozta
Név: 
Dr. Miklós István
Beosztás: 
tudományos munkatárs
Munkahely (tanszék, kutatóintézet, stb.): 
Matematikai Kutatóintézet
A tanszékvezető neve: 
Dr. Nagy Attila
A tantárgy adatlapja PDF-ben: