DM840: Algoritmer i kemoinformatik

Det Naturvidenskabelige Studienævn

Undervisningssprog: På dansk eller engelsk afhængigt af underviser, men engelsk ved internationale studerende
EKA: N340003112, N340003102
Censur: Intern prøve, en bedømmer, Ekstern prøve
Bedømmelse: Bestået/Ikke bestået, 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Efterår, Forår
Niveau: Kandidatkursus forhåndsgodkendt som Ph.d.-kursus

STADS ID (UVA): N340003101
ECTS-point: 10

Godkendelsesdato: 01-11-2022


Varighed: 1 semester

Version: Godkendt - aktiv

Indgangskrav

Ingen

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:

  • anvende og forklare metoder, modeller og algoritmiske ideer, der er omfattet af kurset,
  • formulere ovenstående i præcis sprog og notation
  • implementere algoritmer og datastrukturer fra kurset,
  • beskriv implementering og eksperimentelt arbejde udført på klart og præcist sprog og på en struktureret måde.

Indhold

Kurset indeholder følgende faglige hovedområder:
  • Graph Transformation
  • Graph Isomorphism and Graph Canonicalization
  • Analytic Combinatorics
  • Combinatorial Structures
  • Pólya's Counting Theory
  • Artificial Chemistries
  • Representation of Molecular Structures
  • Metabolic Networks and Metabolic Pathways
  • Flux Balance Analysis
  • Organization Theory
  • Concurrency Theory for Cheminformatics
  • Petrinets
  • Applications of Algorithmic Cheminformatics in Industry

Litteratur

Se itslearning for pensumlister og yderligere litteraturhenvisninger.

Eksamensbestemmelser

Forudsætningsprøve a)

Tidsmæssig placering

Efterår og forår

Udprøvninger

Obligatoriske opgaver

EKA

N340003112

Censur

Intern prøve, en bedømmer

Bedømmelse

Bestået/Ikke bestået

Identifikation

Fulde navn og SDU brugernavn

Sprog

Følger, som udgangspunkt, undervisningssprog

Hjælpemidler

Oplyses på kurset

ECTS-point

0

Uddybende information

Forudsætningsprøven er en forudsætning for deltagelse i eksamenselement a)

Eksamenselement a)

Tidsmæssig placering

Januar og juni

Forudsætninger

Type Forudsætningsnavn Forudsætningsfag
Delprøve Forudsætningsprøve a) N340003101, DM840: Algoritmer i kemoinformatik

Udprøvninger

Mundtlig eksamen

EKA

N340003102

Censur

Ekstern prøve

Bedømmelse

7-trinsskala

Identifikation

Studiekort

Sprog

Følger, som udgangspunkt, undervisningssprog

Hjælpemidler

Oplyses på kurset 

ECTS-point

10

Vejledende antal undervisningstimer

70 timer per semester

Undervisningsform

På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.

  • Introfase (forelæsning) - Antal timer: 42
  • Studiefase: Antal timer: 28

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

Ansvarlig underviser

Navn E-mail Institut
Daniel Merkle daniel@imada.sdu.dk Algoritmer

Skemaoplysninger

Odense
Vis fuldt skema (start E23)
Vis fuldt skema (start F24)

Administrationsenhed

Institut for Matematik og Datalogi (datalogi)

Team hos Uddannelsesjura & Registratur

NAT

Udbudssteder

Odense

Anbefalede studieforløb

Profil Uddannelse Semester Udbuds periode

Overgangsordninger

Overgangsordninger beskriver, hvordan et kursus erstatter et andet kursus, når der ændres i et studieforløb.
Hvis der er lavet en overgangsordning for et kursus vil den fremgå af oversigten.
Se overgangsordninger for alle kurser på Det Naturvidenskabelige Fakultet.