Fachbereich 08: Biologie und Chemie - Bachelor of Science / Master of Science Advanced Materials

Dozent/-in:
Jürgen Janek
Herbert Over
Bernd Smarsly

4 Gruppen, jeweils ca. 25 TN

Gasthörer/innen: Nur relevant für Modulteil "Vorlesung"

Es handelt sich um zwei Terminangebote, die Unterweisungen sind identisch (Sprache: Deutsch, Unterweisung durch Dr. Jörg Neudert, Hörsaal C 112).

General safety instruction in english: instructed by Dr. Raffael Wende (lecture hall C 1). Please attend one of the two dates.

Es handelt sich um zwei Terminangebote, die Unterweisungen sind identisch.

Gasthörer/innen: Nur relevant für Modulteil "Vorlesung"

Gasthörer/innen: Nur relevant für Modulteil "Vorlesung"

Montag 4.09.23 bis Donnerstag 28.09.23
im HBR 58 Erdgeschoss
Weitere Infomationen finden Sie in Stud.IP.

4 Gruppen, jeweils ca. 25 TN

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
- Ein einfaches Modell eines Computers
- Boolesche Daten und die Schlüsselwörter True/False
- Speichern von Text als Daten in Computerprogrammen
- Das Konzept des Datentyps
- Die dynamische Datentypisierung
- Methoden
- if, if/else und if/elif/else Konstrukte
- Block von Anweisungen
2) Python Listen
- 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?
- Schritt-für-Schritt-Anleitungen zum Schreiben von Programmen

4) Python-Funktionen
- Definition von Funktionen
- Funktionsüberladung
- Eine Liste oder ein Tupel in Funktionsargumente umwandeln
5) Namensräume und Module
- Namensräume
- Funktionsnamensraum
- Modul-Namensraum
- Pakete und importieren von Untermodulen
6) Der strukturelle Aufbau der Programmiersprache Python
- Bezeichner und Objekte
- Identität und Gleichheit von Objekten
- Unveränderliche Objekte
- Veränderliche Objekte
- Veränderbare Funktionsargumente
- Aufruf einer Funktion mit einem sehr großen Objektargument
- Operatoren
7) Set und Dictionary
- Set
- Dictionary
8) Strukturierte Datensätze in Python
- Objekte vom Typ class in Python
- Methoden der Klassenobjekte in Python
- Klassenattribute
9) Objektorientiertes Programmieren
- Objektorientiertes Programmieren
- Konzept der Klassenvererbung
- Mehrfachklassenvererbung
- Methode der übergeordneten Klasse aufrufen
10) Programmfehler erkennen und behandeln
- Was ist zu tun, wenn das Programm auf einen Fehler stösst?
11) Mehr zu Funktionen in Python
- Übergabe als Referenzargument
- Argumentübergabe nach Position
- *args und **kargs: Beliebige Anzahl von position and keyword-Argumenten
- Keyword-only-Argumente
9) Numpy und SciPy Module
- Programme für die Wissenschaft mit NumPy und SciPy
- Der Datentyp ndarray
- Vektorisierung mit ndarrays
- Vektorisierte numerische Operatoren mit NumPy
- NumPy erweiterte Indizierung
- Wissenschaftliche Python-Programme mit Matrizen
13) Grundlagen der Dateiverarbeitung mit Python
- Lesen und Schreiben von Dateien
- Organisation von Python Projektdateien
14) Installieren von Modulen, die nicht in der Spyder-Installation enthalten sind
- Spyder und der Python-Interpreter
- Das Problem der Versionsabhängigkeit
- Der Paketmanager conda
- Erstellen virtueller Umgebungen mit conda
15) Grundlagen der Datenanalyse
- Simulation gemessener Datensätze
- Eine Menge von Datenpunkten plotten
- Ein Histogramm mit Python erstellen
16) 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
17) 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
18) 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
- A simple model of a computer
- Boolean data and the keywords True/False
- Storing text as data in computer programs
- The concept of data type
- The dynamic data typing
- Methods
- if, if/else and if/elif/else constructs
- Block of statements
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?
- Step-by-step tutorials for writing programs
4) Python functions
- Definition of functions
- Function overloading
- Converting a list or a tuple into function arguments
5) Namespaces and modules
- Namespaces
- Function namespace
- Module namespace
- Packages and importing submodules
6) The structural design of the Python programming language
- Identifiers and objects
- Identity and equality of objects
- Immutable objects
- Mutable objects
- Mutable function arguments
- Calling a function with a very large object argument
- Operators
- Iterating over objects
7) Set and Dictionary
- Set
- Dictionary
7) Structured data sets in Python
- Objects of type class in Python
- Methods of class objects in Python
- Class attributes
9) Object oriented programming
- Object oriented programming
- Concept of class inheritance
- Multiple class inheritance
- Invoking the parent class method
10) Detecting program errors and treating them
- What to do when the program encounters an error?
11) More about funtions in Python
- Pass by reference
- Argument passing by position
- *args and **kargs: Arbitrary number of position and keyword arguments
- Keyword-only arguments
12) Numpy and SciPy modules
- Programs for science with NumPy and SciPy
- The ndarray data type
- Vectorization with ndarrays
- Vectorized numerical operators with NumPy
- NumPy advanced indexing
- Scientific Python programs with matrices
13) Basics of file processing with Python
- Read and write files
- Organization of Python project files
14) Installing modules that are not included in the Spyder installation
- Spyder and the Python interpreter
- The problem of version dependency
- The conda packet manager
- Creating virtual environments with conda
15) Basics of data analysis
- Simulation of measured data sets
- Plotting a set of data points
- Creating a histogram with Python
16) 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
17) 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
18) Weighted Fitting

- Grundlegende Experimente zur elektrochemischen Thermodynamik und Kinetik,
- Grundlegende Modelle zur Auswertung von elektrochemischen Messungen.
- Elektrochemischen Anwendungen: Elektrolyse, Batterien, Sensoren, Korrosion, Photoelektrochemie.

- Oberflächen und Grenzflächen
- Kräfte in kolloidalen Systemen
- Tenside/Kolloide
- Methoden zur Charakterisierung von Kolloiden: Ultrazentrifugation, Lichtstreuung, Bestimmung von Oberflächenladungen, Rheologie
- Synthese kolloidaler Strukturen (Kolloide, Nanopartikel, Porensysteme)
- Emulsionen (Mikro- und Miniemulsionen)

Weitere Infromationen hierzu werden bei der Vorlesung geklärt.

Gasthörer/innen: Nur relevant für Modulteil "Vorlesung"

Montag 4.09.23 bis Donnerstag 28.09.23
im HBR 58 Erdgeschoss
Weitere Infomationen finden Sie in Stud.IP.

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
- Ein einfaches Modell eines Computers
- Boolesche Daten und die Schlüsselwörter True/False
- Speichern von Text als Daten in Computerprogrammen
- Das Konzept des Datentyps
- Die dynamische Datentypisierung
- Methoden
- if, if/else und if/elif/else Konstrukte
- Block von Anweisungen
2) Python Listen
- 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?
- Schritt-für-Schritt-Anleitungen zum Schreiben von Programmen

4) Python-Funktionen
- Definition von Funktionen
- Funktionsüberladung
- Eine Liste oder ein Tupel in Funktionsargumente umwandeln
5) Namensräume und Module
- Namensräume
- Funktionsnamensraum
- Modul-Namensraum
- Pakete und importieren von Untermodulen
6) Der strukturelle Aufbau der Programmiersprache Python
- Bezeichner und Objekte
- Identität und Gleichheit von Objekten
- Unveränderliche Objekte
- Veränderliche Objekte
- Veränderbare Funktionsargumente
- Aufruf einer Funktion mit einem sehr großen Objektargument
- Operatoren
7) Set und Dictionary
- Set
- Dictionary
8) Strukturierte Datensätze in Python
- Objekte vom Typ class in Python
- Methoden der Klassenobjekte in Python
- Klassenattribute
9) Objektorientiertes Programmieren
- Objektorientiertes Programmieren
- Konzept der Klassenvererbung
- Mehrfachklassenvererbung
- Methode der übergeordneten Klasse aufrufen
10) Programmfehler erkennen und behandeln
- Was ist zu tun, wenn das Programm auf einen Fehler stösst?
11) Mehr zu Funktionen in Python
- Übergabe als Referenzargument
- Argumentübergabe nach Position
- *args und **kargs: Beliebige Anzahl von position and keyword-Argumenten
- Keyword-only-Argumente
9) Numpy und SciPy Module
- Programme für die Wissenschaft mit NumPy und SciPy
- Der Datentyp ndarray
- Vektorisierung mit ndarrays
- Vektorisierte numerische Operatoren mit NumPy
- NumPy erweiterte Indizierung
- Wissenschaftliche Python-Programme mit Matrizen
13) Grundlagen der Dateiverarbeitung mit Python
- Lesen und Schreiben von Dateien
- Organisation von Python Projektdateien
14) Installieren von Modulen, die nicht in der Spyder-Installation enthalten sind
- Spyder und der Python-Interpreter
- Das Problem der Versionsabhängigkeit
- Der Paketmanager conda
- Erstellen virtueller Umgebungen mit conda
15) Grundlagen der Datenanalyse
- Simulation gemessener Datensätze
- Eine Menge von Datenpunkten plotten
- Ein Histogramm mit Python erstellen
16) 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
17) 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
18) 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
- A simple model of a computer
- Boolean data and the keywords True/False
- Storing text as data in computer programs
- The concept of data type
- The dynamic data typing
- Methods
- if, if/else and if/elif/else constructs
- Block of statements
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?
- Step-by-step tutorials for writing programs
4) Python functions
- Definition of functions
- Function overloading
- Converting a list or a tuple into function arguments
5) Namespaces and modules
- Namespaces
- Function namespace
- Module namespace
- Packages and importing submodules
6) The structural design of the Python programming language
- Identifiers and objects
- Identity and equality of objects
- Immutable objects
- Mutable objects
- Mutable function arguments
- Calling a function with a very large object argument
- Operators
- Iterating over objects
7) Set and Dictionary
- Set
- Dictionary
7) Structured data sets in Python
- Objects of type class in Python
- Methods of class objects in Python
- Class attributes
9) Object oriented programming
- Object oriented programming
- Concept of class inheritance
- Multiple class inheritance
- Invoking the parent class method
10) Detecting program errors and treating them
- What to do when the program encounters an error?
11) More about funtions in Python
- Pass by reference
- Argument passing by position
- *args and **kargs: Arbitrary number of position and keyword arguments
- Keyword-only arguments
12) Numpy and SciPy modules
- Programs for science with NumPy and SciPy
- The ndarray data type
- Vectorization with ndarrays
- Vectorized numerical operators with NumPy
- NumPy advanced indexing
- Scientific Python programs with matrices
13) Basics of file processing with Python
- Read and write files
- Organization of Python project files
14) Installing modules that are not included in the Spyder installation
- Spyder and the Python interpreter
- The problem of version dependency
- The conda packet manager
- Creating virtual environments with conda
15) Basics of data analysis
- Simulation of measured data sets
- Plotting a set of data points
- Creating a histogram with Python
16) 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
17) 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
18) Weighted Fitting

- Grundlegende Experimente zur elektrochemischen Thermodynamik und Kinetik,
- Grundlegende Modelle zur Auswertung von elektrochemischen Messungen.
- Elektrochemischen Anwendungen: Elektrolyse, Batterien, Sensoren, Korrosion, Photoelektrochemie.

Weitere Infromationen hierzu werden bei der Vorlesung geklärt.

2 Gruppen, jeweils ca. 25 TN

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
- Ein einfaches Modell eines Computers
- Boolesche Daten und die Schlüsselwörter True/False
- Speichern von Text als Daten in Computerprogrammen
- Das Konzept des Datentyps
- Die dynamische Datentypisierung
- Methoden
- if, if/else und if/elif/else Konstrukte
- Block von Anweisungen
2) Python Listen
- 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?
- Schritt-für-Schritt-Anleitungen zum Schreiben von Programmen

4) Python-Funktionen
- Definition von Funktionen
- Funktionsüberladung
- Eine Liste oder ein Tupel in Funktionsargumente umwandeln
5) Namensräume und Module
- Namensräume
- Funktionsnamensraum
- Modul-Namensraum
- Pakete und importieren von Untermodulen
6) Der strukturelle Aufbau der Programmiersprache Python
- Bezeichner und Objekte
- Identität und Gleichheit von Objekten
- Unveränderliche Objekte
- Veränderliche Objekte
- Veränderbare Funktionsargumente
- Aufruf einer Funktion mit einem sehr großen Objektargument
- Operatoren
7) Set und Dictionary
- Set
- Dictionary
8) Strukturierte Datensätze in Python
- Objekte vom Typ class in Python
- Methoden der Klassenobjekte in Python
- Klassenattribute
9) Objektorientiertes Programmieren
- Objektorientiertes Programmieren
- Konzept der Klassenvererbung
- Mehrfachklassenvererbung
- Methode der übergeordneten Klasse aufrufen
10) Programmfehler erkennen und behandeln
- Was ist zu tun, wenn das Programm auf einen Fehler stösst?
11) Mehr zu Funktionen in Python
- Übergabe als Referenzargument
- Argumentübergabe nach Position
- *args und **kargs: Beliebige Anzahl von position and keyword-Argumenten
- Keyword-only-Argumente
9) Numpy und SciPy Module
- Programme für die Wissenschaft mit NumPy und SciPy
- Der Datentyp ndarray
- Vektorisierung mit ndarrays
- Vektorisierte numerische Operatoren mit NumPy
- NumPy erweiterte Indizierung
- Wissenschaftliche Python-Programme mit Matrizen
13) Grundlagen der Dateiverarbeitung mit Python
- Lesen und Schreiben von Dateien
- Organisation von Python Projektdateien
14) Installieren von Modulen, die nicht in der Spyder-Installation enthalten sind
- Spyder und der Python-Interpreter
- Das Problem der Versionsabhängigkeit
- Der Paketmanager conda
- Erstellen virtueller Umgebungen mit conda
15) Grundlagen der Datenanalyse
- Simulation gemessener Datensätze
- Eine Menge von Datenpunkten plotten
- Ein Histogramm mit Python erstellen
16) 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
17) 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
18) 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
- A simple model of a computer
- Boolean data and the keywords True/False
- Storing text as data in computer programs
- The concept of data type
- The dynamic data typing
- Methods
- if, if/else and if/elif/else constructs
- Block of statements
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?
- Step-by-step tutorials for writing programs
4) Python functions
- Definition of functions
- Function overloading
- Converting a list or a tuple into function arguments
5) Namespaces and modules
- Namespaces
- Function namespace
- Module namespace
- Packages and importing submodules
6) The structural design of the Python programming language
- Identifiers and objects
- Identity and equality of objects
- Immutable objects
- Mutable objects
- Mutable function arguments
- Calling a function with a very large object argument
- Operators
- Iterating over objects
7) Set and Dictionary
- Set
- Dictionary
7) Structured data sets in Python
- Objects of type class in Python
- Methods of class objects in Python
- Class attributes
9) Object oriented programming
- Object oriented programming
- Concept of class inheritance
- Multiple class inheritance
- Invoking the parent class method
10) Detecting program errors and treating them
- What to do when the program encounters an error?
11) More about funtions in Python
- Pass by reference
- Argument passing by position
- *args and **kargs: Arbitrary number of position and keyword arguments
- Keyword-only arguments
12) Numpy and SciPy modules
- Programs for science with NumPy and SciPy
- The ndarray data type
- Vectorization with ndarrays
- Vectorized numerical operators with NumPy
- NumPy advanced indexing
- Scientific Python programs with matrices
13) Basics of file processing with Python
- Read and write files
- Organization of Python project files
14) Installing modules that are not included in the Spyder installation
- Spyder and the Python interpreter
- The problem of version dependency
- The conda packet manager
- Creating virtual environments with conda
15) Basics of data analysis
- Simulation of measured data sets
- Plotting a set of data points
- Creating a histogram with Python
16) 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
17) 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
18) Weighted Fitting

- Grundlegende Experimente zur elektrochemischen Thermodynamik und Kinetik,
- Grundlegende Modelle zur Auswertung von elektrochemischen Messungen.
- Elektrochemischen Anwendungen: Elektrolyse, Batterien, Sensoren, Korrosion, Photoelektrochemie.

- Oberflächen und Grenzflächen
- Kräfte in kolloidalen Systemen
- Tenside/Kolloide
- Methoden zur Charakterisierung von Kolloiden: Ultrazentrifugation, Lichtstreuung, Bestimmung von Oberflächenladungen, Rheologie
- Synthese kolloidaler Strukturen (Kolloide, Nanopartikel, Porensysteme)
- Emulsionen (Mikro- und Miniemulsionen)

Weitere Infromationen hierzu werden bei der Vorlesung geklärt.

2 Gruppen, jeweils ca. 25 TN

- Grundlegende Experimente zur elektrochemischen Thermodynamik und Kinetik,
- Grundlegende Modelle zur Auswertung von elektrochemischen Messungen.
- Elektrochemischen Anwendungen: Elektrolyse, Batterien, Sensoren, Korrosion, Photoelektrochemie.

- Oberflächen und Grenzflächen
- Kräfte in kolloidalen Systemen
- Tenside/Kolloide
- Methoden zur Charakterisierung von Kolloiden: Ultrazentrifugation, Lichtstreuung, Bestimmung von Oberflächenladungen, Rheologie
- Synthese kolloidaler Strukturen (Kolloide, Nanopartikel, Porensysteme)
- Emulsionen (Mikro- und Miniemulsionen)

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
- Ein einfaches Modell eines Computers
- Boolesche Daten und die Schlüsselwörter True/False
- Speichern von Text als Daten in Computerprogrammen
- Das Konzept des Datentyps
- Die dynamische Datentypisierung
- Methoden
- if, if/else und if/elif/else Konstrukte
- Block von Anweisungen
2) Python Listen
- 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?
- Schritt-für-Schritt-Anleitungen zum Schreiben von Programmen

4) Python-Funktionen
- Definition von Funktionen
- Funktionsüberladung
- Eine Liste oder ein Tupel in Funktionsargumente umwandeln
5) Namensräume und Module
- Namensräume
- Funktionsnamensraum
- Modul-Namensraum
- Pakete und importieren von Untermodulen
6) Der strukturelle Aufbau der Programmiersprache Python
- Bezeichner und Objekte
- Identität und Gleichheit von Objekten
- Unveränderliche Objekte
- Veränderliche Objekte
- Veränderbare Funktionsargumente
- Aufruf einer Funktion mit einem sehr großen Objektargument
- Operatoren
7) Set und Dictionary
- Set
- Dictionary
8) Strukturierte Datensätze in Python
- Objekte vom Typ class in Python
- Methoden der Klassenobjekte in Python
- Klassenattribute
9) Objektorientiertes Programmieren
- Objektorientiertes Programmieren
- Konzept der Klassenvererbung
- Mehrfachklassenvererbung
- Methode der übergeordneten Klasse aufrufen
10) Programmfehler erkennen und behandeln
- Was ist zu tun, wenn das Programm auf einen Fehler stösst?
11) Mehr zu Funktionen in Python
- Übergabe als Referenzargument
- Argumentübergabe nach Position
- *args und **kargs: Beliebige Anzahl von position and keyword-Argumenten
- Keyword-only-Argumente
9) Numpy und SciPy Module
- Programme für die Wissenschaft mit NumPy und SciPy
- Der Datentyp ndarray
- Vektorisierung mit ndarrays
- Vektorisierte numerische Operatoren mit NumPy
- NumPy erweiterte Indizierung
- Wissenschaftliche Python-Programme mit Matrizen
13) Grundlagen der Dateiverarbeitung mit Python
- Lesen und Schreiben von Dateien
- Organisation von Python Projektdateien
14) Installieren von Modulen, die nicht in der Spyder-Installation enthalten sind
- Spyder und der Python-Interpreter
- Das Problem der Versionsabhängigkeit
- Der Paketmanager conda
- Erstellen virtueller Umgebungen mit conda
15) Grundlagen der Datenanalyse
- Simulation gemessener Datensätze
- Eine Menge von Datenpunkten plotten
- Ein Histogramm mit Python erstellen
16) 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
17) 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
18) 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
- A simple model of a computer
- Boolean data and the keywords True/False
- Storing text as data in computer programs
- The concept of data type
- The dynamic data typing
- Methods
- if, if/else and if/elif/else constructs
- Block of statements
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?
- Step-by-step tutorials for writing programs
4) Python functions
- Definition of functions
- Function overloading
- Converting a list or a tuple into function arguments
5) Namespaces and modules
- Namespaces
- Function namespace
- Module namespace
- Packages and importing submodules
6) The structural design of the Python programming language
- Identifiers and objects
- Identity and equality of objects
- Immutable objects
- Mutable objects
- Mutable function arguments
- Calling a function with a very large object argument
- Operators
- Iterating over objects
7) Set and Dictionary
- Set
- Dictionary
7) Structured data sets in Python
- Objects of type class in Python
- Methods of class objects in Python
- Class attributes
9) Object oriented programming
- Object oriented programming
- Concept of class inheritance
- Multiple class inheritance
- Invoking the parent class method
10) Detecting program errors and treating them
- What to do when the program encounters an error?
11) More about funtions in Python
- Pass by reference
- Argument passing by position
- *args and **kargs: Arbitrary number of position and keyword arguments
- Keyword-only arguments
12) Numpy and SciPy modules
- Programs for science with NumPy and SciPy
- The ndarray data type
- Vectorization with ndarrays
- Vectorized numerical operators with NumPy
- NumPy advanced indexing
- Scientific Python programs with matrices
13) Basics of file processing with Python
- Read and write files
- Organization of Python project files
14) Installing modules that are not included in the Spyder installation
- Spyder and the Python interpreter
- The problem of version dependency
- The conda packet manager
- Creating virtual environments with conda
15) Basics of data analysis
- Simulation of measured data sets
- Plotting a set of data points
- Creating a histogram with Python
16) 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
17) 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
18) Weighted Fitting

- Grundlegende Experimente zur elektrochemischen Thermodynamik und Kinetik,
- Grundlegende Modelle zur Auswertung von elektrochemischen Messungen.
- Elektrochemischen Anwendungen: Elektrolyse, Batterien, Sensoren, Korrosion, Photoelektrochemie.

- Oberflächen und Grenzflächen
- Kräfte in kolloidalen Systemen
- Tenside/Kolloide
- Methoden zur Charakterisierung von Kolloiden: Ultrazentrifugation, Lichtstreuung, Bestimmung von Oberflächenladungen, Rheologie
- Synthese kolloidaler Strukturen (Kolloide, Nanopartikel, Porensysteme)
- Emulsionen (Mikro- und Miniemulsionen)

Es handelt sich um zwei Terminangebote, die Unterweisungen sind identisch (Sprache: Deutsch, Unterweisung durch Dr. Jörg Neudert, Hörsaal C 112).

General safety instruction in english: instructed by Dr. Raffael Wende (lecture hall C 1). Please attend one of the two dates.

Es handelt sich um zwei Terminangebote, die Unterweisungen sind identisch.

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

Das Projekt wird nach Absprache mit den Lehrenden individuell gestaltet.

nach Vereinbarung

nach Vereinbarung

- Oberflächen und Grenzflächen
- Kräfte in kolloidalen Systemen
- Tenside/Kolloide
- Methoden zur Charakterisierung von Kolloiden: Ultrazentrifugation, Lichtstreuung, Bestimmung von Oberflächenladungen, Rheologie
- Synthese kolloidaler Strukturen (Kolloide, Nanopartikel, Porensysteme)
- Emulsionen (Mikro- und Miniemulsionen)

nach Vereinbarung

nach Vereinbarung

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

Das Projekt wird nach Absprache mit den Lehrenden individuell gestaltet.

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
- Ein einfaches Modell eines Computers
- Boolesche Daten und die Schlüsselwörter True/False
- Speichern von Text als Daten in Computerprogrammen
- Das Konzept des Datentyps
- Die dynamische Datentypisierung
- Methoden
- if, if/else und if/elif/else Konstrukte
- Block von Anweisungen
2) Python Listen
- 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?
- Schritt-für-Schritt-Anleitungen zum Schreiben von Programmen

4) Python-Funktionen
- Definition von Funktionen
- Funktionsüberladung
- Eine Liste oder ein Tupel in Funktionsargumente umwandeln
5) Namensräume und Module
- Namensräume
- Funktionsnamensraum
- Modul-Namensraum
- Pakete und importieren von Untermodulen
6) Der strukturelle Aufbau der Programmiersprache Python
- Bezeichner und Objekte
- Identität und Gleichheit von Objekten
- Unveränderliche Objekte
- Veränderliche Objekte
- Veränderbare Funktionsargumente
- Aufruf einer Funktion mit einem sehr großen Objektargument
- Operatoren
7) Set und Dictionary
- Set
- Dictionary
8) Strukturierte Datensätze in Python
- Objekte vom Typ class in Python
- Methoden der Klassenobjekte in Python
- Klassenattribute
9) Objektorientiertes Programmieren
- Objektorientiertes Programmieren
- Konzept der Klassenvererbung
- Mehrfachklassenvererbung
- Methode der übergeordneten Klasse aufrufen
10) Programmfehler erkennen und behandeln
- Was ist zu tun, wenn das Programm auf einen Fehler stösst?
11) Mehr zu Funktionen in Python
- Übergabe als Referenzargument
- Argumentübergabe nach Position
- *args und **kargs: Beliebige Anzahl von position and keyword-Argumenten
- Keyword-only-Argumente
9) Numpy und SciPy Module
- Programme für die Wissenschaft mit NumPy und SciPy
- Der Datentyp ndarray
- Vektorisierung mit ndarrays
- Vektorisierte numerische Operatoren mit NumPy
- NumPy erweiterte Indizierung
- Wissenschaftliche Python-Programme mit Matrizen
13) Grundlagen der Dateiverarbeitung mit Python
- Lesen und Schreiben von Dateien
- Organisation von Python Projektdateien
14) Installieren von Modulen, die nicht in der Spyder-Installation enthalten sind
- Spyder und der Python-Interpreter
- Das Problem der Versionsabhängigkeit
- Der Paketmanager conda
- Erstellen virtueller Umgebungen mit conda
15) Grundlagen der Datenanalyse
- Simulation gemessener Datensätze
- Eine Menge von Datenpunkten plotten
- Ein Histogramm mit Python erstellen
16) 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
17) 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
18) 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
- A simple model of a computer
- Boolean data and the keywords True/False
- Storing text as data in computer programs
- The concept of data type
- The dynamic data typing
- Methods
- if, if/else and if/elif/else constructs
- Block of statements
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?
- Step-by-step tutorials for writing programs
4) Python functions
- Definition of functions
- Function overloading
- Converting a list or a tuple into function arguments
5) Namespaces and modules
- Namespaces
- Function namespace
- Module namespace
- Packages and importing submodules
6) The structural design of the Python programming language
- Identifiers and objects
- Identity and equality of objects
- Immutable objects
- Mutable objects
- Mutable function arguments
- Calling a function with a very large object argument
- Operators
- Iterating over objects
7) Set and Dictionary
- Set
- Dictionary
7) Structured data sets in Python
- Objects of type class in Python
- Methods of class objects in Python
- Class attributes
9) Object oriented programming
- Object oriented programming
- Concept of class inheritance
- Multiple class inheritance
- Invoking the parent class method
10) Detecting program errors and treating them
- What to do when the program encounters an error?
11) More about funtions in Python
- Pass by reference
- Argument passing by position
- *args and **kargs: Arbitrary number of position and keyword arguments
- Keyword-only arguments
12) Numpy and SciPy modules
- Programs for science with NumPy and SciPy
- The ndarray data type
- Vectorization with ndarrays
- Vectorized numerical operators with NumPy
- NumPy advanced indexing
- Scientific Python programs with matrices
13) Basics of file processing with Python
- Read and write files
- Organization of Python project files
14) Installing modules that are not included in the Spyder installation
- Spyder and the Python interpreter
- The problem of version dependency
- The conda packet manager
- Creating virtual environments with conda
15) Basics of data analysis
- Simulation of measured data sets
- Plotting a set of data points
- Creating a histogram with Python
16) 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
17) 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
18) Weighted Fitting

- Grundlegende Experimente zur elektrochemischen Thermodynamik und Kinetik,
- Grundlegende Modelle zur Auswertung von elektrochemischen Messungen.
- Elektrochemischen Anwendungen: Elektrolyse, Batterien, Sensoren, Korrosion, Photoelektrochemie.

- Oberflächen und Grenzflächen
- Kräfte in kolloidalen Systemen
- Tenside/Kolloide
- Methoden zur Charakterisierung von Kolloiden: Ultrazentrifugation, Lichtstreuung, Bestimmung von Oberflächenladungen, Rheologie
- Synthese kolloidaler Strukturen (Kolloide, Nanopartikel, Porensysteme)
- Emulsionen (Mikro- und Miniemulsionen)

nach Vereinbarung

nach Vereinbarung