Inhalt (Vorlesungskommentar)

Von diesem Problem gibt es viele Varianten: Statt aus einem einzelnen String kann P aus einer Menge von Strings bestehen, oder in impliziter Form gegeben sein, etwa durch einen regulären Ausdruck, oder eine sogenannte position weight matrix, oder auch durch eine kontextfreie Grammatik. Zudem suchen wir unter Umständen auch nach approximativen Vorkommen im Text (z.B. Meier vs. Mayer). Vielleicht wollen wir auch nur wissen, ob P überhaupt vorkommt, oder auch nur wie oft (ohne alle Positionen aufzulisten).

Auch die Frage nach der Statistik der Anzahl der Vorkommen ist von Interesse: Angenommen, wir beobachten ein bestimmtes Muster siebzehn mal in einem bestimmten Text: Ist das überraschend oft, oder lässt sich das durch puren Zufall erklären?

Die biologische Sequenzanalyse hat sich aus den Gebiet des pattern matching entwickelt, das in den 70er Jahren vor allem von theoretischen Informatikern bearbeitet wurde. Hier ist in den letzten 20 Jahren eine Fülle von (sowohl sehr einfachen als auch sehr komplizierten) Algorithmen entstanden, und es stellt sich heraus, dass die Algorithmen, "die man so kennt", in der Praxis häufig langsam sind.

In der Vorlesung werden wir Varianten des Pattern Matching Problems ausführlich behandeln und sowohl klassische als auch die zur Zeit in der Praxis schnellsten Algorithmen kennen lernen. Es geht sowohl um on-line Algorithmen (bei denen der Text vorher nicht bekannt sein muss) als auch um Index-basierte Verfahren (bei denen vorher ein Index des Textes erstellt wird). Index-basierte Verfahren sind heute sowohl bei der Analyse von Biosequenzen wichtig, als auch für web-basierte Suchmaschinen wie Google, Yahoo und andere ein essentieller Bestandteil des Kerngeschäfts.

In letzter Zeit nimmt die Bedeutung komprimierter Text-Inidizes stetig zu. Hierzu werden wir die wichtigsten Grundlagen kennen lernen und vor allem die zentrale Rolle der Burrows-Wheeler Transformation herausarbeiten.

Dem ersten Teil der Vorlesung liegt das Buch Flexible Pattern Matching in Strings von Gonzalo Navarro und Mathieu Raffinot (ca. 33 Euro) zugrunde. Es wird ergänzt durch Übersichtsartikel aus der Originalliteratur, die ich in der Vorlesung angeben werde.

Literatur

Skript

• aktueller Entwurf (INF-BSc-315 vom Sommersemester 2011, mit zusätzlichem Material für Dipl./M.Sc.)
• Warum im Skript Python benutzt wird: Vortragsfolien und Video von der Pycon DE 2011.

Mögliche Prüfungsleistungen im Bachelor-Wahlmodul INF-BSc-315

• Bachelor-Wahlmodul (2V+1Ü; 4 LP), im Sommersemester 2011 (davor: SoSe 2010)
• mündliche Prüfung von 20-30 Minuten Dauer oder Klausur von 90 Minuten Dauer
• Die genaue Prüfungsform wird abhängig von der Teilnehmerzahl kurz nach Vorlesungsbeginn festgelegt.
• Vordruck für die Prüfungsanmeldung ausfüllen, bei Frau Jankord (OH14 / R2.39) einen Termin/Uhrzeit geben lassen, von Prof. Rahmann oder Frau Jankord unterschreiben lassen; wird von Frau Jankord zur Prüfungsverwaltung (Dez. 7.3) geschickt.
• Sommersemester 2011: Prüfungen am 22.7., 12.8., 23.9. (jeweils Freitags)
  

Mögliche Prüfungsleistungen im Diplom (SpG 4,6,7)

• Spezial-/Vertiefungsvorlesung (2V+2Ü bzw. 3V+1Ü; 6 LP), zuletzt im WS 2009/10.
  Sie gehört in die SpGs 4,6,7 nach DPO'01 und ist wahlweise als 2V+2Ü=6LP (Master) oder 3V+1Ü (Diplom) anrechenbar.
• Leistungsnachweis (Schein), unbenotet; durch Besuch der Vorlesung, Bearbeiten der Übungsaufgaben zum Vorlesungsinhalt, abschließendes Gespräch zur Vorlesung
• mündliche Fachprüfung zum Vorlesungsinhalt (zur Vorbereitung wird die Bearbeitung der Übungsaufgaben sehr empfohlen).
• Vordruck für die Prüfungsanmeldung ausfüllen, bei Frau Jankord (OH14 / R2.39) einen Termin/Uhrzeit geben lassen, von Prof. Rahmann oder Frau Jankord unterschreiben lassen; wird von Frau Jankord zur Prüfungsverwaltung (Dez. 7.3) geschickt.
• Sommersemester 2011: Prüfungen am 22.7., 12.8., 23.9. (jeweils Freitags)