Prof. Dr. Mehmet Gültas

Statistik und Data Science in der Agrarwirtschaft

1. Algorithmische Methoden für Smart-/Precision-Farming

• Maschinelles Lernen und Deep Learning
• Informationstheorie
• Probabilistische Datenmodelle
• Algorithmische Methoden für Smart-/Precision-Farming
• Algorithmische Methoden des statistischen Lernens

2. Datenmanagement und Datenanalyse

• Statistische Analyse und Interpretation großer Datenmengen (Big Data) im Bereich der Tier-/Pflanzenzüchtung, Bioinformatik und Nutztierhaltung
• Big-Data-Analysen in der Landwirtschaft im Allgemeinen
• Entwicklung der Algorithmen aus dem Maschinellen Lernen für die automatisierte Erfassung und Klassifizierung spezifischer Verhaltensmuster von Nutztieren
• Entwicklung neuer Datenmanagementsysteme zur Erfassung, Speicherung und Verwaltung von landwirtschaftlich relevanten Daten
• Etablierung der unsupervised Maschinellen Lernen Algorithmen, wie z.B. Clustering-Methoden zur landwirtschaftlichen Datenanalyse
• Entwicklung statistischer Datenmodelle und Maschinelles Lernen Methoden zur Etablierung digitaler Technologien in der Landwirtschaft
• Aufklärung komplexer biologischer Vorgänge, wie z. B. die Untersuchung von epistatischen Interaktionen zwischen genotypischen Markern unter Verwendung statistischer Methoden

3. Bioinformatik und Züchtungsinformatik

• Analyse und Interpretation von Multi-omics-Daten (Next Generation Sequencing (NGS), RNA-seq, usw.)
• Aufklärung komplexer biologischer Vorgänge und Netzwerke, wie z. B. die Untersuchung von epistatischen Interaktionen zwischen genotypischen Markern
• Analysen von Transkriptionsfaktoren bezüglich ihrer Funktionen sowie Interaktionen
• Pathwayanalyse (Upstream- , Downstream- und Masterregulator-Analyse) für die Aufklärung biologischer Aktivitäten von regulatorischen Prozessen auf mehreren Ebenen (RNA, Proteine, Metabolite usw.)
• Informationstheoriebasierte Methoden in der Bioinformatik
• Maschinelles Lernen und Evolutionäre Algorithmen in der Bioinformatik
• Analyse genregulatorischer Netzwerke
• Clustering-Ansätze in der Bioinformatik (Markov-Clustering-Algorithmus)

Aktuelle Lehre

Wintersemester

• Applied Machine Learning in Agriculture with R (MSc)
• Data Analysis with R (MSc)
• Applied Bioinformatics with R (MSc)
• Scientific Project: scientific methods, procedures and practical skills in animal and plant breeding (MSc)
• Forschungspraktikum Biometrie mit R (BSc)

Sommersemester

• Data Analysis with R (MSc)
• Forschungspraktikum Biometrie mit R (BSc)
• Anwendungsgebiete der Data Science (BSc)
• Bioinformatik (BSc)
• Scientific Project: scientific methods, procedures and practical skills in animal and plant breeding (MSc)

Aktuelle und vergangene Projekte, studentische Arbeiten und Abschlussarbeiten