Fachbereich 07: Mathematik und Informatik, Physik, Geographie - Advanced Materials / Materialwissenschaft - Bachelor of Science - Materialwissenschaft (Studienbeginn ab Wintersemester 2021/22)

Bitte beachten Sie die Informationen in der zugehörigen Stud.IP-Veranstaltung sowie unter https://www.jlug.de/grundprak

Die Veranstaltung kann bei Bedarf auch in englischer Sprache angeboten werden. The course can also be offered in English if required.

Programmieren mit Python

Diese Vorlesung ist eine Einführung in Python und richtet sich an Studierende der Naturwissenschaften. Für diese Studenten ist es eine große Herausforderung, gleichzeitig Physiker oder Chemiker und Data-Science-Spezialist zu werden, da das Hauptziel ihres Studiums darin besteht, Physiker oder Chemiker und nicht Informatiker zu werden. Ich habe eine Vorlesungsstruktur für Data Science entwickelt, die diesen wichtigen Aspekt berücksichtigt. Die Vorlesung beginnt bei Null, da viele meiner Studierenden noch nie ein Programm geschrieben haben und keine Ahnung haben, wie ein Programm funktioniert. Die Ideen, die notwendig sind, um Programme zu verstehen und zu schreiben, werden Schritt für Schritt eingeführt, wobei zunächst Python als prozedurales Programmiersystem verwendet wird. Wir konzentrieren uns auf die wichtigsten Ideen und Syntaxelemente, so dass viele Aspekte, die normalerweise Vorlesungen füllen, während der praktischen Arbeit mit der Online-Dokumentation entdeckt werden können. Nachdem die Studierenden gelernt haben, einfache Programme zu schreiben, beginnen wir mit Anwendungen zur Datenanalyse, die Chemiestudierende in ihrer täglichen Forschungsarbeit benötigen. In diesem Teil der Vorlesung verwende ich einige Datensätze, die sich auf die chemischen und technischen Aspekte des Klimawandels beziehen. Die Projekte, die die Studierenden am Ende des Kurses für ihre Note entwickeln müssen, beziehen sich ebenfalls auf dieses Problem. Ich bin ein Lehrer der alten Schule, der viel mit Kreide und Tafel arbeitet, so dass die Vorlesungsunterlagen eigentlich nur einen Teil des Stoffes abdecken. Einer dieser wichtigen Aspekte ist es, die Gemeinsamkeiten und Unterschiede zwischen verschiedenen Programmiersprachen zu lernen. Während des Kurses lernen wir diesen Aspekt für das Mathematica-System und die Programmiersprache Swift.

1) Programmieren mit Python für Studierende ohne Programmiererfahrung, prozedurale Programmiertechniken
- Das erste Programm
- Boolesche Daten und die Schlüsselwörter True/False
- Speichern von Text als Daten in Computerprogrammen
- Das Konzept des Datentyps
- Methoden
- if, if/else und if/elif/else Konstrukte
2) Python Listen vom Typ list
- Initialisierung einer Python-Liste
- Indizierung von Python-Listen - Auslesen/Ersetzen des i-ten Elements
- Globale Funktionen und Operatoren für Listen
- Syntax eines Bereichs von Elementen - Der Datentyp slice
- Methoden der Phyton-Liste
- Das Tupel als Gruppe von Datenelementen
3) Python-Programmschleifen
- Die while-Schleife
- Gezählte Schleifen: die for-Schleife
- break-Unterbrechung einer Schleife und das for/else-Konstrukt
- for ... in automatisch iterierte Schleife für Listen
- Python Listen-Abstraktion
- while-Schleife oder for-Schleife?
4) Python-Funktionen
- Definition von Funktionen (Teil 1)
- Eine Liste oder ein Tupel in Funktionsargumente umwandeln
5) Namensräume und Module
- Namensräume
- Python Module
- Pakete und importieren von Untermodulen
6) Fortgeschrittene Funktionalität der Programmiersprache Python
- Bezeichner und Objekte
- Veränderliche und unveränderliche vs. Werttyp- und Zeigertyp-Objekte
- Operatoren
- Iteration über Objekte
- Was ist zu tun, wenn das Programm auf einen Fehler stösst?
- Set
- Dictionary
7) Strukturierte Datensätze in Python
- Objekte vom Typ class in Python
- Methoden der Klassenobjekte in Python
- Klassenattribute
- Objektorientiertes Programmieren
- Methode der übergeordneten Klasse aufrufen
8) Mehr zu Funktionen in Python
- Übergabe als Referenzargument
- Funktionsüberladung
9) Numpy und SciPy Module, Grundlagen der Dateiverarbeitung mit Python
10) Grundlagen der Datenanalyse
- Simulation gemessener Datensätze
- Eine Menge von Datenpunkten plotten
- Ein Histogramm mit Python erstellen
11) Anpassung nichtlinearer Modelle mit Python
- Grundlagen der Kurvenanpassung
- Visualisierung der Kurvenanpassung
- Herunterladen von Datensätzen aus dem Internet mit einem Python-Programm
- Import von csv-Datensätzen
- Anpassung nichtlinearer mehrdimensionaler Modelle: die Keeling-Kurve
- Die Anpassungsschritte des Levenberg-Marquardt-Algorithmus
12) Optimierung und Wurzelfindung
- Das Problem der Minimumsuche
- Das Problem des globalen vs. lokalen Minimums
- Visualisierung des Parameterraums mit Konturplots
- Visualisierung des Parameterraums mit 3D plots
- Kurvenanpassung als Minimumsuche
- Problem der Fehlanpassung vs. Topologie des Parameterraums
13) Gewichtete Anpassung

Programming with Python

This lecture is an introduction to Python and is aimed at science students. It is a great challenge for these students to become physicists or chemists and data science specialists at the same time, since the main goal of their studies is to become physicists or chemists and not computer scientists. I have developed a lecture structure for data science that takes this important aspect into account. The lecture starts from “zero”, since many of my students have never written a program and have no idea how a program works. The ideas necessary to understand and write programs are introduced step by step, starting with Python as a procedural programming system. We focus on the most important ideas and syntax elements, so that many aspects that would normally fill lectures can be discovered while working with the practical work and the online documentation. After students have learned to write simple programs, we start with data analysis applications that chemistry students need in their daily research work. In this part of the lecture, I use some data sets related to the chemical and engineering aspects of climate change. The projects that students have to develop for their grade at the end of the course are also related to this problem. I am an old-school teacher who works a lot with chalk and blackboard, so the lecture materials actually only cover part of the material. One of these important aspects is learning the similarities and differences between different programming languages. During the course, we learn this aspect for the Mathematica system and the Swift programming language.

1) Programming with Python for students with no programming experience, procedural programming techniques
- The first program
- Boolean data and the keywords True/False
- Storing text as data in computer programs
- The concept of data type
- Methods
- if, if/else and if/elif/else constructs
2) Python lists of type list
- Initialization of a Python list
- Indexing of Python lists - Reading/replacing the ith element
- Global functions and operators for lists
- Syntax of a range of elements - The slice data type
- Methods of the Python list
- The tuple as a group of data elements
3) Python program loops
- The while loop
- Counted loops: the for loop
- break interruption of a loop and the for/else construct
- for...in automatically iterated loop for lists
- Python list abstraction
- while loop or for loop?
4) Python functions
- Definition of functions (part 1)
- Converting a list or a tuple into function arguments
5) Namespaces and modules
- Namespaces
- Python modules
- Packages and importing submodules
6) Advanced functionality of the Python programming language
- Identifiers and objects
- Mutable and immutable vs. value-type and pointer-type objects
- Operators
- Iterating over objects
- What to do when the program encounters an error?
- Set
- Dictionary
7) Structured data sets in Python
- Objects of type class in Python
- Methods of class objects in Python
- Class attributes
- Object-oriented programming
- Invoking the parent class method
8) More about functions in Python
- Passing by reference
- Function overloading
9) Numpy and SciPy modules, Basics of file processing with Python
10) Basics of data analysis
- Simulation of measured data sets
- Plotting a set of data points
- Creating a histogram with Python
11) Fitting nonlinear models with Python
- Basics of curve fitting
- Visualization of curve fitting
- Downloading data sets from the internet with a Python program
- Importing csv data sets
- Fitting nonlinear multi-dimensional models: the Keeling curve
- The fitting steps of the Levenberg-Marquardt algorithm
12) Optimization and root finding
- The problem of minimum search
- The problem of global vs. local minimum
- Visualization of the parameter space with contour plots
- Visualization of the parameter space with 3D plots
- Curve fitting as a minimum search
- Problem of misfit vs. topology of the parameter space
13) Weighted Fitting

• Mathematische Grundlagen I: Einführung in die Algebra (Grundlagen, Abbildung, Verknüpfung, Verknüpfungstafel, Gruppe, Isomorphismus, Äquivalenzklassen, Permutationen)
• Mathematische Grundlagen II: Matrizen (Blockdiagonalmatrix, Determinante, Eigenwertproblem und geometrische Deutung, Diagonalisierbarkeit, Eigenräume, Drehmatrix, Spiegelungsmatrix)
• Spektroskopische Methoden (Elektromagnetische Strahlung, Strahlungsdetektoren, Aufbau von Spektrometern, FT-Spektrometer)
• Punktgruppen (Symmetrieelemente und -operationen, Rotationsgruppe, Punktgruppe, Schönflies-Nomenklatur)
• Darstellungstheorie (irreduzible Darstellung, Darstellungstafel, Charaktertafel, direktes Produkt)
• Rotationsspektroskopie (Hauptachsensystem und der starre, mehratomige Rotator, Rotationszustände)
• Schwingungsspektroskopie (Normalschwingungen, GF-Berechnung, lokalisierte Schwingungen, Auswahlregeln)

• Mathematical Foundations I: Introduction to algebra (basics, mapping, linking, linking table, group, isomorphism, equivalence classes, permutations)
• Mathematical Foundations II: Matrices (block diagonal matrix, determinant, eigenvalue problem and geometric interpretation, diagonalizability, eigenspaces, rotation matrix, reflection matrix)
• Spectroscopic methods (electromagnetic radiation, radiation detectors, design of spectrometers, FT spectrometers)
• Point groups (symmetry elements and operations, rotation group, point group, Schönflies nomenclature)
• Representation theory (irreducible representation, representation table, character table, direct product)
• Rotational spectroscopy (principal axis system and the rigid, polyatomic rotator, rotational states)
• Vibrational spectroscopy (normal modes, GF calculation, localized vibrations, selection rules)

Wichtige Info für die Teilnehmerinnen und Teilnehmer des Ergänzungsstudiums (Grundlagen der Praktischen Informatik und Angewandten Mathematik). Sie müssen die Vorlesungen und Übungen nur einer Hälfte der Veranstaltung besuchen: entweder die Wochen 1-7, oder 8-14. In der ersten Hälfte wird "Einführung in die Numerische Mathematik" unterrichtetet, während in der zweiten Hälfte "Einführung in die Optimierung."

nach Absprache mit den Dozenten

Wichtige Info für die HAF-Teilnehmerinnen und Teilnehmer (Hörer aller Fachbereiche, insbesondere Gasthörer) und Ergänzungsstudium (Grundlagen der Praktischen Informatik und Angewandten Mathematik). Sie müssen die Vorlesungen und Übungen nur einer Hälfte der Veranstaltung besuchen: entweder die Wochen 1-7, oder 8-14. In der ersten Hälfte wird Einführung in die Numerische Mathematik unterrichtetet, während in der zweiten Hälfte Einführung in die Optimierung.

Vorbesprechung am 01.10.2025 von 13.00 - 14.00 Uhr über BBB.
LmCh: 13.10.2025 - 28.11.2025; Mo, Mi, Do, Fr von 13 - 18 Uhr, Di von 10 - 18 Uhr
Mat-Wiss: 13.10.2025 - 14.11.2025; Mo, Di, Do, Fr von 13 - 18 Uhr

Nach Absprache mit dem Dozenten

nach Absprache mit den Dozenten.

Die Veranstaltung kann bei Bedarf auch in englischer Sprache angeboten werden. The course can also be offered in English if required.

Programmieren mit Python

Diese Vorlesung ist eine Einführung in Python und richtet sich an Studierende der Naturwissenschaften. Für diese Studenten ist es eine große Herausforderung, gleichzeitig Physiker oder Chemiker und Data-Science-Spezialist zu werden, da das Hauptziel ihres Studiums darin besteht, Physiker oder Chemiker und nicht Informatiker zu werden. Ich habe eine Vorlesungsstruktur für Data Science entwickelt, die diesen wichtigen Aspekt berücksichtigt. Die Vorlesung beginnt bei Null, da viele meiner Studierenden noch nie ein Programm geschrieben haben und keine Ahnung haben, wie ein Programm funktioniert. Die Ideen, die notwendig sind, um Programme zu verstehen und zu schreiben, werden Schritt für Schritt eingeführt, wobei zunächst Python als prozedurales Programmiersystem verwendet wird. Wir konzentrieren uns auf die wichtigsten Ideen und Syntaxelemente, so dass viele Aspekte, die normalerweise Vorlesungen füllen, während der praktischen Arbeit mit der Online-Dokumentation entdeckt werden können. Nachdem die Studierenden gelernt haben, einfache Programme zu schreiben, beginnen wir mit Anwendungen zur Datenanalyse, die Chemiestudierende in ihrer täglichen Forschungsarbeit benötigen. In diesem Teil der Vorlesung verwende ich einige Datensätze, die sich auf die chemischen und technischen Aspekte des Klimawandels beziehen. Die Projekte, die die Studierenden am Ende des Kurses für ihre Note entwickeln müssen, beziehen sich ebenfalls auf dieses Problem. Ich bin ein Lehrer der alten Schule, der viel mit Kreide und Tafel arbeitet, so dass die Vorlesungsunterlagen eigentlich nur einen Teil des Stoffes abdecken. Einer dieser wichtigen Aspekte ist es, die Gemeinsamkeiten und Unterschiede zwischen verschiedenen Programmiersprachen zu lernen. Während des Kurses lernen wir diesen Aspekt für das Mathematica-System und die Programmiersprache Swift.

1) Programmieren mit Python für Studierende ohne Programmiererfahrung, prozedurale Programmiertechniken
- Das erste Programm
- Boolesche Daten und die Schlüsselwörter True/False
- Speichern von Text als Daten in Computerprogrammen
- Das Konzept des Datentyps
- Methoden
- if, if/else und if/elif/else Konstrukte
2) Python Listen vom Typ list
- Initialisierung einer Python-Liste
- Indizierung von Python-Listen - Auslesen/Ersetzen des i-ten Elements
- Globale Funktionen und Operatoren für Listen
- Syntax eines Bereichs von Elementen - Der Datentyp slice
- Methoden der Phyton-Liste
- Das Tupel als Gruppe von Datenelementen
3) Python-Programmschleifen
- Die while-Schleife
- Gezählte Schleifen: die for-Schleife
- break-Unterbrechung einer Schleife und das for/else-Konstrukt
- for ... in automatisch iterierte Schleife für Listen
- Python Listen-Abstraktion
- while-Schleife oder for-Schleife?
4) Python-Funktionen
- Definition von Funktionen (Teil 1)
- Eine Liste oder ein Tupel in Funktionsargumente umwandeln
5) Namensräume und Module
- Namensräume
- Python Module
- Pakete und importieren von Untermodulen
6) Fortgeschrittene Funktionalität der Programmiersprache Python
- Bezeichner und Objekte
- Veränderliche und unveränderliche vs. Werttyp- und Zeigertyp-Objekte
- Operatoren
- Iteration über Objekte
- Was ist zu tun, wenn das Programm auf einen Fehler stösst?
- Set
- Dictionary
7) Strukturierte Datensätze in Python
- Objekte vom Typ class in Python
- Methoden der Klassenobjekte in Python
- Klassenattribute
- Objektorientiertes Programmieren
- Methode der übergeordneten Klasse aufrufen
8) Mehr zu Funktionen in Python
- Übergabe als Referenzargument
- Funktionsüberladung
9) Numpy und SciPy Module, Grundlagen der Dateiverarbeitung mit Python
10) Grundlagen der Datenanalyse
- Simulation gemessener Datensätze
- Eine Menge von Datenpunkten plotten
- Ein Histogramm mit Python erstellen
11) Anpassung nichtlinearer Modelle mit Python
- Grundlagen der Kurvenanpassung
- Visualisierung der Kurvenanpassung
- Herunterladen von Datensätzen aus dem Internet mit einem Python-Programm
- Import von csv-Datensätzen
- Anpassung nichtlinearer mehrdimensionaler Modelle: die Keeling-Kurve
- Die Anpassungsschritte des Levenberg-Marquardt-Algorithmus
12) Optimierung und Wurzelfindung
- Das Problem der Minimumsuche
- Das Problem des globalen vs. lokalen Minimums
- Visualisierung des Parameterraums mit Konturplots
- Visualisierung des Parameterraums mit 3D plots
- Kurvenanpassung als Minimumsuche
- Problem der Fehlanpassung vs. Topologie des Parameterraums
13) Gewichtete Anpassung

Programming with Python

This lecture is an introduction to Python and is aimed at science students. It is a great challenge for these students to become physicists or chemists and data science specialists at the same time, since the main goal of their studies is to become physicists or chemists and not computer scientists. I have developed a lecture structure for data science that takes this important aspect into account. The lecture starts from “zero”, since many of my students have never written a program and have no idea how a program works. The ideas necessary to understand and write programs are introduced step by step, starting with Python as a procedural programming system. We focus on the most important ideas and syntax elements, so that many aspects that would normally fill lectures can be discovered while working with the practical work and the online documentation. After students have learned to write simple programs, we start with data analysis applications that chemistry students need in their daily research work. In this part of the lecture, I use some data sets related to the chemical and engineering aspects of climate change. The projects that students have to develop for their grade at the end of the course are also related to this problem. I am an old-school teacher who works a lot with chalk and blackboard, so the lecture materials actually only cover part of the material. One of these important aspects is learning the similarities and differences between different programming languages. During the course, we learn this aspect for the Mathematica system and the Swift programming language.

1) Programming with Python for students with no programming experience, procedural programming techniques
- The first program
- Boolean data and the keywords True/False
- Storing text as data in computer programs
- The concept of data type
- Methods
- if, if/else and if/elif/else constructs
2) Python lists of type list
- Initialization of a Python list
- Indexing of Python lists - Reading/replacing the ith element
- Global functions and operators for lists
- Syntax of a range of elements - The slice data type
- Methods of the Python list
- The tuple as a group of data elements
3) Python program loops
- The while loop
- Counted loops: the for loop
- break interruption of a loop and the for/else construct
- for...in automatically iterated loop for lists
- Python list abstraction
- while loop or for loop?
4) Python functions
- Definition of functions (part 1)
- Converting a list or a tuple into function arguments
5) Namespaces and modules
- Namespaces
- Python modules
- Packages and importing submodules
6) Advanced functionality of the Python programming language
- Identifiers and objects
- Mutable and immutable vs. value-type and pointer-type objects
- Operators
- Iterating over objects
- What to do when the program encounters an error?
- Set
- Dictionary
7) Structured data sets in Python
- Objects of type class in Python
- Methods of class objects in Python
- Class attributes
- Object-oriented programming
- Invoking the parent class method
8) More about functions in Python
- Passing by reference
- Function overloading
9) Numpy and SciPy modules, Basics of file processing with Python
10) Basics of data analysis
- Simulation of measured data sets
- Plotting a set of data points
- Creating a histogram with Python
11) Fitting nonlinear models with Python
- Basics of curve fitting
- Visualization of curve fitting
- Downloading data sets from the internet with a Python program
- Importing csv data sets
- Fitting nonlinear multi-dimensional models: the Keeling curve
- The fitting steps of the Levenberg-Marquardt algorithm
12) Optimization and root finding
- The problem of minimum search
- The problem of global vs. local minimum
- Visualization of the parameter space with contour plots
- Visualization of the parameter space with 3D plots
- Curve fitting as a minimum search
- Problem of misfit vs. topology of the parameter space
13) Weighted Fitting

• Mathematische Grundlagen I: Einführung in die Algebra (Grundlagen, Abbildung, Verknüpfung, Verknüpfungstafel, Gruppe, Isomorphismus, Äquivalenzklassen, Permutationen)
• Mathematische Grundlagen II: Matrizen (Blockdiagonalmatrix, Determinante, Eigenwertproblem und geometrische Deutung, Diagonalisierbarkeit, Eigenräume, Drehmatrix, Spiegelungsmatrix)
• Spektroskopische Methoden (Elektromagnetische Strahlung, Strahlungsdetektoren, Aufbau von Spektrometern, FT-Spektrometer)
• Punktgruppen (Symmetrieelemente und -operationen, Rotationsgruppe, Punktgruppe, Schönflies-Nomenklatur)
• Darstellungstheorie (irreduzible Darstellung, Darstellungstafel, Charaktertafel, direktes Produkt)
• Rotationsspektroskopie (Hauptachsensystem und der starre, mehratomige Rotator, Rotationszustände)
• Schwingungsspektroskopie (Normalschwingungen, GF-Berechnung, lokalisierte Schwingungen, Auswahlregeln)

• Mathematical Foundations I: Introduction to algebra (basics, mapping, linking, linking table, group, isomorphism, equivalence classes, permutations)
• Mathematical Foundations II: Matrices (block diagonal matrix, determinant, eigenvalue problem and geometric interpretation, diagonalizability, eigenspaces, rotation matrix, reflection matrix)
• Spectroscopic methods (electromagnetic radiation, radiation detectors, design of spectrometers, FT spectrometers)
• Point groups (symmetry elements and operations, rotation group, point group, Schönflies nomenclature)
• Representation theory (irreducible representation, representation table, character table, direct product)
• Rotational spectroscopy (principal axis system and the rigid, polyatomic rotator, rotational states)
• Vibrational spectroscopy (normal modes, GF calculation, localized vibrations, selection rules)