Gemeinsamer Studiengang der Fachgebiete Physik (Fachbereich 07) sowie Chemie (Fachbereich 08) Die Veranstaltungen finden Sie unter dem Veranstaltungsangebot des Fachbereichs 07
AdvMat-BM-04 Allgemeine und Anorganische Chemie (AC 1) ⇑
[Vl+Ü]
Allgemeine und Anorganische Chemie(Chemie-BK20, BLC-31, AdvMat-BM-04, 08-ChemF-L3/BBB-P-11, 08-ChemF-L3/BBB-P-11, 08-ChemF-L2/L5-P-01)
Nach der Immatrikulation sollte sich umgehend im Stud.IP angemeldet werden da dort weiterführende Informationen veröffentlicht werden. Die Vorbesprechung findet am Mo, 21.10.2024 von 12.15 - 13.45 Uhr im Hörsaal C 5b statt
Di. 07.10.2025,13.15 - 14.00 Uhr Chemie, C 112 (Großer Hörsaal)
Mo. 13.10.2025,13.15 - 14.00 Uhr Chemie, C 112 (Großer Hörsaal)
Kommentar:
Es handelt sich um zwei Terminangebote, die Unterweisungen sind identisch (Sprache: Deutsch). General safety instruction in english: Pleas visit the website above.
SDG 13 – Maßnahmen zum Klimaschutz SDG 13.3 – Aufklärung und Sensibilisierung zum Thema Klimawandel, -anpassung, -auswirkungen und Frühwarnsysteme verbessern Die Übungen verwenden Datensätze, die die Ursachen und Auswirkungen des Klimawandels darstellen. Einer der Datensätze, die zum Verstehen der Datenanpassung verwendet werden, ist der Keeling-Datensatz (https://www.uni-giessen.de/de/fbz/fb08/Inst/physchem/mellau/blog/2024april).
Darüber hinaus wird die Note für ein eigenständiges datenwissenschaftliches Projekt zu Klimafragen vergeben.
Anhand eines Datensatzes, der die stündlichen Temperaturen in Gießen seit 1950 enthält, müssen die Studierenden beispielsweise den durchschnittlichen Temperaturanstieg in Gießen in den letzten 70 Jahren berechnen und visuell darstellen. Ein ähnliches Thema verwendet Temperaturdaten aus Gießen und Bremen oder berechnet die Auswirkungen des Klimawandels auf die Anzahl der Tage mit extremen Wetterbedingungen.
Ein weiteres Thema untersucht die Erzeugung erneuerbarer Energien in Deutschland und versucht, Prognosen für die kommenden Jahre zu erstellen, oder berechnet und visualisiert einen Zusammenhang zwischen der weltweiten Produktion und dem Verbrauch fossiler Brennstoffe und der CO2-Konzentration in der Atmosphäre.
Ein weiteres Thema, mit dem sich die Studierenden beschäftigen, ist die Simulation des Stromverbrauchs einer Wärmepumpe in Gießen anhand realer stündlicher Temperaturdaten.
Kommentar:
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
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."
nächster Termin: 05.11.2025 Uhr, Raum: Chemie, C 103
Zielgruppen:
Ch BSc, WPV, ab 6. Sem | Ch MSc, WPV, ab 1. Sem | MatW BSc, WPV, ab 6. Sem | MatW MSc, WPV, ab 1. Sem | Phy BSc, WPV, ab 6. Sem | Phy MSc, WPV, ab 1. Sem
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.
SDG 13 – Maßnahmen zum Klimaschutz SDG 13.3 – Aufklärung und Sensibilisierung zum Thema Klimawandel, -anpassung, -auswirkungen und Frühwarnsysteme verbessern Die Übungen verwenden Datensätze, die die Ursachen und Auswirkungen des Klimawandels darstellen. Einer der Datensätze, die zum Verstehen der Datenanpassung verwendet werden, ist der Keeling-Datensatz (https://www.uni-giessen.de/de/fbz/fb08/Inst/physchem/mellau/blog/2024april).
Darüber hinaus wird die Note für ein eigenständiges datenwissenschaftliches Projekt zu Klimafragen vergeben.
Anhand eines Datensatzes, der die stündlichen Temperaturen in Gießen seit 1950 enthält, müssen die Studierenden beispielsweise den durchschnittlichen Temperaturanstieg in Gießen in den letzten 70 Jahren berechnen und visuell darstellen. Ein ähnliches Thema verwendet Temperaturdaten aus Gießen und Bremen oder berechnet die Auswirkungen des Klimawandels auf die Anzahl der Tage mit extremen Wetterbedingungen.
Ein weiteres Thema untersucht die Erzeugung erneuerbarer Energien in Deutschland und versucht, Prognosen für die kommenden Jahre zu erstellen, oder berechnet und visualisiert einen Zusammenhang zwischen der weltweiten Produktion und dem Verbrauch fossiler Brennstoffe und der CO2-Konzentration in der Atmosphäre.
Ein weiteres Thema, mit dem sich die Studierenden beschäftigen, ist die Simulation des Stromverbrauchs einer Wärmepumpe in Gießen anhand realer stündlicher Temperaturdaten.
Kommentar:
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
nächster Termin: 05.11.2025 Uhr, Raum: Chemie, C 103
Zielgruppen:
Ch BSc, WPV, ab 6. Sem | Ch MSc, WPV, ab 1. Sem | MatW BSc, WPV, ab 6. Sem | MatW MSc, WPV, ab 1. Sem | Phy BSc, WPV, ab 6. Sem | Phy MSc, WPV, ab 1. Sem
Bachelor of Science - Materialwissenschaft (Studienbeginn bis Wintersemester 2020/21) ⇑
Gemeinsamer Studiengang der Fachgebiete Physik (Fachbereich 07) sowie Chemie (Fachbereich 08)
Für Studierende, die ihr Studium zum Wintersemester 2017/2018 aufgenommen haben, gilt die Ordnung in dieser Fassung mit einigen Besonderheiten (siehe Spezielle Ordnung – veröffentlicht im MUG).
Raumangaben mit „Chemie, Gebäudeteil (A oder B oder C)/Raumnummer“ befinden sich im Neubau Chemie, Heinrich-Buff-Ring, 17-19 Raumangaben mit „Chemie I Raumnummer oder „Chemie H EG Raumnummer“ befinden sich im „alten“ Chemiegebäude, Heinrich-Buff-Ring 58-62 („Hochhaus“) Der Große Chemische Hörsaal befindet sich am Heinrich-Buff-Ring 54 (am Point of Schunk)
LmCh BSc, PV, 3. Sem | Ch BSc, PV, 3. Sem | MatWiss BSc, PV, 3. Sem
Kommentar:
Ein Teil des Lehrinhaltes kann digital über StudIP/ILIAS abgerufen werden. Am Donnerstag, 09.10.25 von 09.00 - 15.00 Uhr findet ein Präsenztermin für LeMi/MaWi (HS C1) statt. Der Termin für die Chemiker ist am 13.02.2026 von 09.00 - 16.00 Uhr in HS C2.
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."
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.
[M]
3D imaging methods in materials and natural sciences(Chemie-W23 / AdvMat-EM01)
(Modern topics in physical chemistry)
3D imaging methods provide important information for answering key questions in materials science and natural sciences. Today, imaging techniques based on electromagnetic radiation (e.g., confocal microscopy, X-ray tomography) as well as ion beam-based techniques such as secondary ion mass spectrometry are used. The latter also provides chemical information about the material composition, which represents significant added value for research. This module introduces the common methods of 3D analysis of solid samples from the materials and life sciences. These are explored in depth in a seminar using examples from research. In the practical part, you will have the opportunity to solve smaller analytical problems using equipment at the Center for Materials Research. The final module exam will consist of an analytical problem that you must successfully solve independently (measurement on the device, data evaluation, solution).
(Moderne Themen aus der Physikalischen Chemie)
In 3D abbildende Methoden liefern wichtige Informationen zur Beantwortung von zentralen Fragestellungen in den Material- und Naturwissenschaften. Zum Einsatz kommen heutzutage sowohl abbildende Techniken basierend auf elektromagnetischer Strahlung (z.B. Konfokalmikroskopie, Röntgentomographie) als auch Ionenstrahl basierte Techniken wie die Sekundärionenmassenspektrometrie. Bei letzterer wird auch eine chemische Aussage zur Materialzusammensetzung erzielt, was einen deutlichen Mehrwert für die Forschung darstellt. Im Rahmen dieses Moduls wird in die gängigen Methoden der 3D Analytik von festen Proben aus den Material- und Lebenswissenschaften eingeführt. Diese werden anhand von Beispielen aus der Forschung in einem Seminar vertieft. Im praktischen Teil erhalten Sie die Möglichkeit, kleinere analytische Fragestellungen an Geräten des Zentrums für Materialforschung zu lösen. Die Modulabschlussprüfung wird aus einer analytischen Fragestellung bestehen, die Sie eigenständig erfolgreich lösen müssen (Messung am Gerät, Datenauswertung, Lösung).
SDG 13 – Maßnahmen zum Klimaschutz SDG 13.3 – Aufklärung und Sensibilisierung zum Thema Klimawandel, -anpassung, -auswirkungen und Frühwarnsysteme verbessern Die Übungen verwenden Datensätze, die die Ursachen und Auswirkungen des Klimawandels darstellen. Einer der Datensätze, die zum Verstehen der Datenanpassung verwendet werden, ist der Keeling-Datensatz (https://www.uni-giessen.de/de/fbz/fb08/Inst/physchem/mellau/blog/2024april).
Darüber hinaus wird die Note für ein eigenständiges datenwissenschaftliches Projekt zu Klimafragen vergeben.
Anhand eines Datensatzes, der die stündlichen Temperaturen in Gießen seit 1950 enthält, müssen die Studierenden beispielsweise den durchschnittlichen Temperaturanstieg in Gießen in den letzten 70 Jahren berechnen und visuell darstellen. Ein ähnliches Thema verwendet Temperaturdaten aus Gießen und Bremen oder berechnet die Auswirkungen des Klimawandels auf die Anzahl der Tage mit extremen Wetterbedingungen.
Ein weiteres Thema untersucht die Erzeugung erneuerbarer Energien in Deutschland und versucht, Prognosen für die kommenden Jahre zu erstellen, oder berechnet und visualisiert einen Zusammenhang zwischen der weltweiten Produktion und dem Verbrauch fossiler Brennstoffe und der CO2-Konzentration in der Atmosphäre.
Ein weiteres Thema, mit dem sich die Studierenden beschäftigen, ist die Simulation des Stromverbrauchs einer Wärmepumpe in Gießen anhand realer stündlicher Temperaturdaten.
Kommentar:
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
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."
nächster Termin: 05.11.2025 Uhr, Raum: Chemie, C 103
Zielgruppen:
Ch BSc, WPV, ab 6. Sem | Ch MSc, WPV, ab 1. Sem | MatW BSc, WPV, ab 6. Sem | MatW MSc, WPV, ab 1. Sem | Phy BSc, WPV, ab 6. Sem | Phy MSc, WPV, ab 1. Sem
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.
Master of Science - Materialwissenschaft (Studienbeginn ab Wintersemester 2018/19) ⇑
Gemeinsamer Studiengang der Fachgebiete Physik (Fachbereich 07) sowie Chemie (Fachbereich 08)
Raumangaben mit „Chemie, Gebäudeteil (A oder B oder C)/Raumnummer“ befinden sich im Neubau Chemie, Heinrich-Buff-Ring, 17-19 Raumangaben mit „Chemie I Raumnummer oder „Chemie H EG Raumnummer“ befinden sich im „alten“ Chemiegebäude, Heinrich-Buff-Ring 58-62 („Hochhaus“) Der Große Chemische Hörsaal befindet sich am Heinrich-Buff-Ring 54 (am Point of Schunk)
Di. 07.10.2025,13.15 - 14.00 Uhr Chemie, C 112 (Großer Hörsaal)
Mo. 13.10.2025,13.15 - 14.00 Uhr Chemie, C 112 (Großer Hörsaal)
Kommentar:
Es handelt sich um zwei Terminangebote, die Unterweisungen sind identisch (Sprache: Deutsch). General safety instruction in english: Pleas visit the website above.
[M]
3D imaging methods in materials and natural sciences(Chemie-W23 / AdvMat-EM01)
(Modern topics in physical chemistry)
3D imaging methods provide important information for answering key questions in materials science and natural sciences. Today, imaging techniques based on electromagnetic radiation (e.g., confocal microscopy, X-ray tomography) as well as ion beam-based techniques such as secondary ion mass spectrometry are used. The latter also provides chemical information about the material composition, which represents significant added value for research. This module introduces the common methods of 3D analysis of solid samples from the materials and life sciences. These are explored in depth in a seminar using examples from research. In the practical part, you will have the opportunity to solve smaller analytical problems using equipment at the Center for Materials Research. The final module exam will consist of an analytical problem that you must successfully solve independently (measurement on the device, data evaluation, solution).
(Moderne Themen aus der Physikalischen Chemie)
In 3D abbildende Methoden liefern wichtige Informationen zur Beantwortung von zentralen Fragestellungen in den Material- und Naturwissenschaften. Zum Einsatz kommen heutzutage sowohl abbildende Techniken basierend auf elektromagnetischer Strahlung (z.B. Konfokalmikroskopie, Röntgentomographie) als auch Ionenstrahl basierte Techniken wie die Sekundärionenmassenspektrometrie. Bei letzterer wird auch eine chemische Aussage zur Materialzusammensetzung erzielt, was einen deutlichen Mehrwert für die Forschung darstellt. Im Rahmen dieses Moduls wird in die gängigen Methoden der 3D Analytik von festen Proben aus den Material- und Lebenswissenschaften eingeführt. Diese werden anhand von Beispielen aus der Forschung in einem Seminar vertieft. Im praktischen Teil erhalten Sie die Möglichkeit, kleinere analytische Fragestellungen an Geräten des Zentrums für Materialforschung zu lösen. Die Modulabschlussprüfung wird aus einer analytischen Fragestellung bestehen, die Sie eigenständig erfolgreich lösen müssen (Messung am Gerät, Datenauswertung, Lösung).
SDG 13 – Maßnahmen zum Klimaschutz SDG 13.3 – Aufklärung und Sensibilisierung zum Thema Klimawandel, -anpassung, -auswirkungen und Frühwarnsysteme verbessern Die Übungen verwenden Datensätze, die die Ursachen und Auswirkungen des Klimawandels darstellen. Einer der Datensätze, die zum Verstehen der Datenanpassung verwendet werden, ist der Keeling-Datensatz (https://www.uni-giessen.de/de/fbz/fb08/Inst/physchem/mellau/blog/2024april).
Darüber hinaus wird die Note für ein eigenständiges datenwissenschaftliches Projekt zu Klimafragen vergeben.
Anhand eines Datensatzes, der die stündlichen Temperaturen in Gießen seit 1950 enthält, müssen die Studierenden beispielsweise den durchschnittlichen Temperaturanstieg in Gießen in den letzten 70 Jahren berechnen und visuell darstellen. Ein ähnliches Thema verwendet Temperaturdaten aus Gießen und Bremen oder berechnet die Auswirkungen des Klimawandels auf die Anzahl der Tage mit extremen Wetterbedingungen.
Ein weiteres Thema untersucht die Erzeugung erneuerbarer Energien in Deutschland und versucht, Prognosen für die kommenden Jahre zu erstellen, oder berechnet und visualisiert einen Zusammenhang zwischen der weltweiten Produktion und dem Verbrauch fossiler Brennstoffe und der CO2-Konzentration in der Atmosphäre.
Ein weiteres Thema, mit dem sich die Studierenden beschäftigen, ist die Simulation des Stromverbrauchs einer Wärmepumpe in Gießen anhand realer stündlicher Temperaturdaten.
Kommentar:
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
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."
nächster Termin: 05.11.2025 Uhr, Raum: Chemie, C 103
Zielgruppen:
Ch BSc, WPV, ab 6. Sem | Ch MSc, WPV, ab 1. Sem | MatW BSc, WPV, ab 6. Sem | MatW MSc, WPV, ab 1. Sem | Phy BSc, WPV, ab 6. Sem | Phy MSc, WPV, ab 1. Sem
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.
[M]
3D imaging methods in materials and natural sciences(Chemie-W23 / AdvMat-EM01)
(Modern topics in physical chemistry)
3D imaging methods provide important information for answering key questions in materials science and natural sciences. Today, imaging techniques based on electromagnetic radiation (e.g., confocal microscopy, X-ray tomography) as well as ion beam-based techniques such as secondary ion mass spectrometry are used. The latter also provides chemical information about the material composition, which represents significant added value for research. This module introduces the common methods of 3D analysis of solid samples from the materials and life sciences. These are explored in depth in a seminar using examples from research. In the practical part, you will have the opportunity to solve smaller analytical problems using equipment at the Center for Materials Research. The final module exam will consist of an analytical problem that you must successfully solve independently (measurement on the device, data evaluation, solution).
(Moderne Themen aus der Physikalischen Chemie)
In 3D abbildende Methoden liefern wichtige Informationen zur Beantwortung von zentralen Fragestellungen in den Material- und Naturwissenschaften. Zum Einsatz kommen heutzutage sowohl abbildende Techniken basierend auf elektromagnetischer Strahlung (z.B. Konfokalmikroskopie, Röntgentomographie) als auch Ionenstrahl basierte Techniken wie die Sekundärionenmassenspektrometrie. Bei letzterer wird auch eine chemische Aussage zur Materialzusammensetzung erzielt, was einen deutlichen Mehrwert für die Forschung darstellt. Im Rahmen dieses Moduls wird in die gängigen Methoden der 3D Analytik von festen Proben aus den Material- und Lebenswissenschaften eingeführt. Diese werden anhand von Beispielen aus der Forschung in einem Seminar vertieft. Im praktischen Teil erhalten Sie die Möglichkeit, kleinere analytische Fragestellungen an Geräten des Zentrums für Materialforschung zu lösen. Die Modulabschlussprüfung wird aus einer analytischen Fragestellung bestehen, die Sie eigenständig erfolgreich lösen müssen (Messung am Gerät, Datenauswertung, Lösung).
SDG 13 – Maßnahmen zum Klimaschutz SDG 13.3 – Aufklärung und Sensibilisierung zum Thema Klimawandel, -anpassung, -auswirkungen und Frühwarnsysteme verbessern Die Übungen verwenden Datensätze, die die Ursachen und Auswirkungen des Klimawandels darstellen. Einer der Datensätze, die zum Verstehen der Datenanpassung verwendet werden, ist der Keeling-Datensatz (https://www.uni-giessen.de/de/fbz/fb08/Inst/physchem/mellau/blog/2024april).
Darüber hinaus wird die Note für ein eigenständiges datenwissenschaftliches Projekt zu Klimafragen vergeben.
Anhand eines Datensatzes, der die stündlichen Temperaturen in Gießen seit 1950 enthält, müssen die Studierenden beispielsweise den durchschnittlichen Temperaturanstieg in Gießen in den letzten 70 Jahren berechnen und visuell darstellen. Ein ähnliches Thema verwendet Temperaturdaten aus Gießen und Bremen oder berechnet die Auswirkungen des Klimawandels auf die Anzahl der Tage mit extremen Wetterbedingungen.
Ein weiteres Thema untersucht die Erzeugung erneuerbarer Energien in Deutschland und versucht, Prognosen für die kommenden Jahre zu erstellen, oder berechnet und visualisiert einen Zusammenhang zwischen der weltweiten Produktion und dem Verbrauch fossiler Brennstoffe und der CO2-Konzentration in der Atmosphäre.
Ein weiteres Thema, mit dem sich die Studierenden beschäftigen, ist die Simulation des Stromverbrauchs einer Wärmepumpe in Gießen anhand realer stündlicher Temperaturdaten.
Kommentar:
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
nächster Termin: 05.11.2025 Uhr, Raum: Chemie, C 103
Zielgruppen:
Ch BSc, WPV, ab 6. Sem | Ch MSc, WPV, ab 1. Sem | MatW BSc, WPV, ab 6. Sem | MatW MSc, WPV, ab 1. Sem | Phy BSc, WPV, ab 6. Sem | Phy MSc, WPV, ab 1. Sem
[M]
3D imaging methods in materials and natural sciences(Chemie-W23 / AdvMat-EM01)
(Modern topics in physical chemistry)
3D imaging methods provide important information for answering key questions in materials science and natural sciences. Today, imaging techniques based on electromagnetic radiation (e.g., confocal microscopy, X-ray tomography) as well as ion beam-based techniques such as secondary ion mass spectrometry are used. The latter also provides chemical information about the material composition, which represents significant added value for research. This module introduces the common methods of 3D analysis of solid samples from the materials and life sciences. These are explored in depth in a seminar using examples from research. In the practical part, you will have the opportunity to solve smaller analytical problems using equipment at the Center for Materials Research. The final module exam will consist of an analytical problem that you must successfully solve independently (measurement on the device, data evaluation, solution).
(Moderne Themen aus der Physikalischen Chemie)
In 3D abbildende Methoden liefern wichtige Informationen zur Beantwortung von zentralen Fragestellungen in den Material- und Naturwissenschaften. Zum Einsatz kommen heutzutage sowohl abbildende Techniken basierend auf elektromagnetischer Strahlung (z.B. Konfokalmikroskopie, Röntgentomographie) als auch Ionenstrahl basierte Techniken wie die Sekundärionenmassenspektrometrie. Bei letzterer wird auch eine chemische Aussage zur Materialzusammensetzung erzielt, was einen deutlichen Mehrwert für die Forschung darstellt. Im Rahmen dieses Moduls wird in die gängigen Methoden der 3D Analytik von festen Proben aus den Material- und Lebenswissenschaften eingeführt. Diese werden anhand von Beispielen aus der Forschung in einem Seminar vertieft. Im praktischen Teil erhalten Sie die Möglichkeit, kleinere analytische Fragestellungen an Geräten des Zentrums für Materialforschung zu lösen. Die Modulabschlussprüfung wird aus einer analytischen Fragestellung bestehen, die Sie eigenständig erfolgreich lösen müssen (Messung am Gerät, Datenauswertung, Lösung).
SDG 13 – Maßnahmen zum Klimaschutz SDG 13.3 – Aufklärung und Sensibilisierung zum Thema Klimawandel, -anpassung, -auswirkungen und Frühwarnsysteme verbessern Die Übungen verwenden Datensätze, die die Ursachen und Auswirkungen des Klimawandels darstellen. Einer der Datensätze, die zum Verstehen der Datenanpassung verwendet werden, ist der Keeling-Datensatz (https://www.uni-giessen.de/de/fbz/fb08/Inst/physchem/mellau/blog/2024april).
Darüber hinaus wird die Note für ein eigenständiges datenwissenschaftliches Projekt zu Klimafragen vergeben.
Anhand eines Datensatzes, der die stündlichen Temperaturen in Gießen seit 1950 enthält, müssen die Studierenden beispielsweise den durchschnittlichen Temperaturanstieg in Gießen in den letzten 70 Jahren berechnen und visuell darstellen. Ein ähnliches Thema verwendet Temperaturdaten aus Gießen und Bremen oder berechnet die Auswirkungen des Klimawandels auf die Anzahl der Tage mit extremen Wetterbedingungen.
Ein weiteres Thema untersucht die Erzeugung erneuerbarer Energien in Deutschland und versucht, Prognosen für die kommenden Jahre zu erstellen, oder berechnet und visualisiert einen Zusammenhang zwischen der weltweiten Produktion und dem Verbrauch fossiler Brennstoffe und der CO2-Konzentration in der Atmosphäre.
Ein weiteres Thema, mit dem sich die Studierenden beschäftigen, ist die Simulation des Stromverbrauchs einer Wärmepumpe in Gießen anhand realer stündlicher Temperaturdaten.
Kommentar:
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
nächster Termin: 05.11.2025 Uhr, Raum: Chemie, C 103
Zielgruppen:
Ch BSc, WPV, ab 6. Sem | Ch MSc, WPV, ab 1. Sem | MatW BSc, WPV, ab 6. Sem | MatW MSc, WPV, ab 1. Sem | Phy BSc, WPV, ab 6. Sem | Phy MSc, WPV, ab 1. Sem
Dozent/-in: Jürgen Janek Herbert Over Bernd Smarsly
# Fortgeschrittene experimentelle Methoden im Bereich der Materialforschung # vertiefte theoretische Konzepte im Bereich der Materialforschung # Entwicklung physikalisch-chemischer Modelle (z. B. Modellkatalysatoren, Modellelektroden, dünne Schichten, definierte Porenstrukturen) als Grundlage für das Verständnis komplexer chemischer und materialwissenschaftlicher Fragestellungen # Fragestellungen aus der aktuellen Forschung der Arbeitsgruppen
Master of Science - Materialwissenschaft (Studienbeginn ab Wintersemester 2016/17) ⇑
Gemeinsamer Studiengang der Fachgebiete Physik (Fachbereich 07) sowie Chemie (Fachbereich 08)
Raumangaben mit „Chemie, Gebäudeteil (A oder B oder C)/Raumnummer“ befinden sich im Neubau Chemie, Heinrich-Buff-Ring, 17-19 Raumangaben mit „Chemie I Raumnummer oder „Chemie H EG Raumnummer“ befinden sich im „alten“ Chemiegebäude, Heinrich-Buff-Ring 58-62 („Hochhaus“) Der Große Chemische Hörsaal befindet sich am Heinrich-Buff-Ring 54 (am Point of Schunk)
Dozent/-in: Jürgen Janek Herbert Over Bernd Smarsly
# Fortgeschrittene experimentelle Methoden im Bereich der Materialforschung # vertiefte theoretische Konzepte im Bereich der Materialforschung # Entwicklung physikalisch-chemischer Modelle (z. B. Modellkatalysatoren, Modellelektroden, dünne Schichten, definierte Porenstrukturen) als Grundlage für das Verständnis komplexer chemischer und materialwissenschaftlicher Fragestellungen # Fragestellungen aus der aktuellen Forschung der Arbeitsgruppen
Projektpraktikum zur Vorbereitung auf die Master-Thesis; bei Interesse an einem Spezialisierungsmodul in der Physikalischen Chemie melden Sie sich bitte direkt bei einem der drei Dozenten.
Dozent/-in: Jürgen Janek Herbert Over Bernd Smarsly
und wiss. Mitarbeiter/innen
# Weiterführende Fragestellungen aus der aktuellen Forschung der Arbeitsgruppen, # wechselnde Fragenstellungen aus der Forschung im Rahmen der Physikalischen Chemie, # Entwicklung spezieller und erweiterter experimenteller und theoretischer Konzepte der Physikalischen Chemie, # Erstellen eines wissenschaftlichen Arbeitsplans, # Abschätzung des Finanz- und Personalaufwands # Einordnung des Forschungsvorhabens in die aktuelle Literatur, # praktische und theoretische Vorarbeiten zum Forschungsvorhaben, dessen Durchführung und Auswertung.
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."
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.
