Programming and Data Science

• Grundlagen der Programmierung in einer Programmiersprache wie Python.
• Verarbeitung von Daten und Datenauswertung (I/O, Strukturierung, Gewinnung von Informationen).
• Visuelle Darstellung von Daten und Funktionen (2D, 3D, etc.).
• Visualisierung molekularer Strukturen (Z.B. Formate wie pdb, cif, etc.).
• Einführung in statistische Grundbegriffe und Fehler.
• Praktische Anwendung der Kurvenanpassung.
• Verarbeiten von Informationen aus Datenbanken.

Nach der erfolgreichen Teilnahme an diesem Modul sind die Studierenden in der Lage, grundlegende Methoden der Programmierung und der Data Science zu vestehen, wiederzugeben und anzuwenden. Im Speziellen sind die Studierenden in der Lage,

1. einfache Programme/Scripte in einer Programmiersprache wie Python zu schreiben;
2. Datensätze digital zu verarbeiten, u.a. Daten einlesen, verändern, ausgeben und darstellen;
3. funktionale Zusammenhänge und Geometrien molekularer Strukturen zu visualisieren;
4. wesentliche statistischen Kenngrößen zu benennen und diese für experimentelle Daten zu bestimmen.

Die Modulprüfung besteht aus einer unbenoteten Übungsleistung (Studienleistung). Die Übungsleistung setzt sich zusammen aus einer Auswahl von folgenden Aufgabenstellungen: semesterbegleitende Bearbeitung von Programmieraufgaben (z.B. Schreiben eines Skriptes mit Python), Bearbeitung von Übungsaufgaben (z.B. zu statistischen Fragenstellungen oder Fehlern), Digitale Datenverarbeitung und Visualisierung sowie mündlicher Mitarbeit während der Übung. Weitere Aufgabenstellungen können sein: Anwendung der Datenverarbeitung auf ausgesuchte chemische Problemstellungen. Die Modulprüfung ist bestanden, wenn die Studierenden 3-5 Aufgabenstellungen erfolgreich bearbeitet haben.

Keine Voraussetzungen notwendig.

• S. Gowrishankar, A. Veena "" Introduction to Python programming"" CRC Press, Taylor & Francis Group (2019); ISBN: 9781351013222 J. Unpingco ""Python Programming for Data Analysis"" Springer (2021); ISBN: 9783030689520 (beide online über e-access Angebot der TUM) W. H. H. Gränicher, Messung beendet - was nun?, Teubner-Verlag Stuttgart (1996) I. G. Hughes, T. P. A. Hase, Measurements and their uncertainties: a practical guide to modern error analysis, Oxford Univ. Press, Oxford (2010); ISBN 9780191576560 (e-access TUM) J. R. Taylor, Fehleranalyse: eine Einführung in die Untersuchung von Unsicherheiten in physikalischen Messungen, VCH, Weinheim (1988) L. Papula, Mathematik für Ingenieure und Naturwissenschaftler Band 3, Vektoranalysis, Wahrscheinlichkeitsrechnung, Mathematische Statistik, Fehler- und Ausgleichsrechnung, Springer-Verlag (2016); (e-access TUM) B.P. Roe, Probability and Statistics in Experimental Physics, Springer-Verlag Berlin (1992) P.R. Bevington and D.K. Robinson, Data Reduction and Error Analysis for the Physical Science, Mc-Graw-Hill (1992) W. H. H. Gränicher, Grundlagen physikalischer Messungen, VDF Zürich

Das Modul besteht aus einer Übung (4 SWS). Die Übung wird zum bessern Lernverständnis für die Studierenden in inhaltliche Themenblöcke aufgeteilt. Jeder Themenblock beginnt jeweils mit einer inhaltlichen Einführung durch die Dozierenden. Da die Lernergebnisse des Moduls auf der praktischen Anwendung der Modulinhalte liegt, werden im Anschluss an die Einführung die Inhalte von den Studierenden praktisch umgesetzt. Durch den so gewährleisteten stufenweisen Aufbau der Lerninhalte kann das Lerntempo den Studierenden angepasst werden und können anschließend die Fertigkeiten und Methoden digital und rechnerisch eingeübt werden. Die Studierenden arbeiten am Computer selbstständig und programmieren individuell. Dabei werden sie durch den Dozierenden angeleitet und in einen zusätzlichen freiwilligen Tutorium begleitet. Der praktische Modulteil gestattet es den Studierenden, ihr Kompetenzniveau selbst einzuschätzen und direktes Feedback zu erhalten.