DM840: Algoritmer i kemoinformatik
Kommentar
15018101 (tidligere UVA) er identisk med denne kursusbeskrivelse.
Kandidatkursus forhåndsgodkendt som PhD-kursus
Indgangskrav
Bestået bachelorgrad i datalogi, fysik, matematik, anvendt matematik, matematik-økonomi eller tilsvarende.
Faglige forudsætninger
Studerende, der følger kurset, forventes at:
- kunne designe og implementere programmer, ved hjælp af standard algoritmiske tilgange og datastrukturer
- kunne vurdere kompleksitet af algoritmer, såvel med hensyn til køretid som med hensyn til pladsforbrug.
Formål
Formålet med dette kursus er at sætte den studerende i stand til at løse en bred vifte af ikke-trivielle diskrete beregningsmæssige problemer inden for datalogi ved at anvende avancerede algoritmiske ideer, grafteoretiske tilgange, viden fra beslægtede områder af diskret matematik og kompleksitetsteori på problemer motiveret fra eller opstået i kemi. Kurset giver et videnskabeligt grundlag for at skrive et speciale, der har til formål at anvende kernedatalogiske tilgange til relevante spørgsmål i kemi, biologi, fysik eller matematik.
I forhold til uddannelsens kompetenceprofil har kurset eksplicit fokus på at:
- Give viden om et udvalg af specialiserede modeller og metoder udviklet inden for datalogi baseret på højeste internationale forskning, herunder emner fra fagets forskningsfront.
- Give viden om datalogiske modeller og metoder beregnet til anvendelser i andre faglige områder.
- Beskrive, analysere og løse avancerede datalogiske problemstillinger ved hjælp af de lærte modeller.
- Belyse fremsatte hypoteser på kvalificeret teoretisk baggrund og forholde sig kritisk til egne og andres forskningsresultater og videnskabelige modeller.
- Udvikle nye varianter af de lærte metoder, hvor det konkrete problem kræver det.
- Formidle forskningsbaseret viden og diskutere professionelle og videnskabelige problemstillinger med både fagfæller og ikke-specialister.
- Planlægge og udføre videnskabelige projekter på højt fagligt niveau herunder styre arbejds- og udviklingssituationer, der er komplekse, uforudsigelige og forudsætter nye løsningsmodeller.
- Kunne tage ansvar for egen faglig udvikling og specialisering.
- Kunne igangsætte og gennemføre fagligt og tværfagligt samarbejde og påtage sig professionelt ansvar.
Målbeskrivelse
For at opnå kursets formål er det læringsmålet for kurset, at den studerende demonstrerer evnen til at:
- I klart og præcist sprog beskrive de teknikker og algoritmer som er gennemgået i kurset.
- Analysere de parallelle algoritmer og arkitekturer som er gennemgået i kurset med hensyn til både effektivitet og skalerbarhed.
- Anvende parallelle programmeringsteknikker og algoritmer som er gennemgået i kurset til implementering af eksempelprogrammer.
- Foretage empiriske målinger af parallelle programmer og uddrage relevante konklusioner heraf.
Indhold
- repræsentation af molekylære strukturer
- struktur-deskriptorer
- graf-isomorfi og graf-kanonisering
- kombinatoriske strukturer
- Pólyas tælleteori
- kunstige kemier (artificial chemistries)
- graf-grammatikker
- støkiometriske modeller
- metaboliske netværk og stofskifteveje
- flux balance analyse
- organisationsteori
- Petri nets
Litteratur
Eksamensbestemmelser
Forudsætningsprøve a)
Tidsmæssig placering
Udprøvninger
Obligatoriske opgaver
EKA
Censur
Bedømmelse
Identifikation
Sprog
Hjælpemidler
ECTS-point
Uddybende information
Eksamenselement a)
Tidsmæssig placering
Forudsætninger
Type | Forudsætningsnavn | Forudsætningsfag |
---|---|---|
Delprøve | Forudsætningsprøve a) | N340003101, DM840: Algoritmer i kemoinformatik |
Udprøvninger
Mundtlig eksamen
EKA
Censur
Bedømmelse
Identifikation
Sprog
Hjælpemidler
ECTS-point
Uddybende information
Vejledende antal undervisningstimer
Undervisningsform
Disse undervisningsaktiviteter udmønter sig i en anslået vejledende fordeling af arbejdsindsatsen hos en gennemsnitsstuderende på følgende måde:
- Introfase (forelæsning, holdtimer) - Antal timer: 42
- Studiefase: Antal timer: 28
- Total: Antal timer: 70
I introfasen introduceres og perspektiveres begreber, teorier og modeller. I træningsfasen træner de studerende færdigheder og trænger dybere ned i det stof.
I studiefasen får de studerende faglige, personlige og sociale erfaringer, der sætter dem i stand til at befæste og videreudvikle deres videnskabelige kompetencer. Der er fokus på fordybelse, forståelse og udvikling af samarbejdskompetencer.
Aktiviteter i studiefasen:
- Anvendelse af det tilegnede viden I projekter
- Sammenfatning af videnskabelige artikler/bogkapitler