
Statisztikai bevezető: A likelihood függvény, ML becslés, Bayes statisztika, az EM algoritmus. Sztochasztikus generatív nyelvtanok: Rejtett
Markov-modellek, sztochasztikus reguláris és környezetfüggetlen nyelvtanok. Algoritmusok nyelvtanokon: Forward-backward, Viterbi, Inside- outside, CYK, Baum-Welch tréning, poszterior valószínűségek számolása. Biológiai alkalmazások: mintázatfelismerés biológiai szekvenciákban, protein másodlagos térszerkezet-predikció, RNS térszerkezet-predikció. Szubsztitúciók időfolytonos Markov-modellekkel történő leírása. Klasszikus nukleinsav és aminosav szubsztitúciós modellek. Statisztikus szekvenciaillesztés: Beszúrás-törlés (indel) modellek. Indel modellek,
mint többszörös rejtett Markov-modellek. Evolúciós fák. A Kingman koaleszcens. A Markov-lánc Monte-Carlo (MCMC) módszer alapjai. Evolúciós
fák vizsgálata Bayesian MCMC-vel. Genomátrendeződések vizsgálata.