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

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

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
- Ausführung kompilierter oder interpretierter Programme
2) Pythons list aus der Perspektive der prozeduralen Programmierung
- Listentypen in Python
- 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 'list'
- Das Tupel als Gruppe von Datenelementen
- Hausaufgaben: Einfache Programme mit Listen
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
- Verwendung von 'enumerate' in 'for'-Schleifen
- Verwendung von 'zip' in Schleifen
- Python Listen-Abstraktion
- Ersetzen von Schleifen durch die Funktion 'map'
- ''while'-Schleife oder 'for'-Schleife?
- Hausaufgaben: Einfache Programme mit for-Schleifen
- Schritt-für-Schritt-Anleitungen zum Schreiben von Programmen: Die Übungen
- Schritt-für-Schritt-Anleitungen zum Schreiben von Programmen: Die Lösungen
4) Python-Funktionen
- Definition von Funktionen
- Funktionsüberladung
- Eine Liste oder ein Tupel in Funktionsargumente umwandeln
- Hausaufgaben: Einfache globale Funktionen
5) Namensräume und Module
- Namensräume
- Funktionsnamensraum
- Python Module
- 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
- Iteration über Objekte
- match: case
7) Set und Dictionary
- Set
- Dictionary
8) Strukturierte Datensätze in Python
- Objekte vom Typ class in Python
- Methoden der Klassenobjekte in Python
- Klassenattribute
- Hausaufgabe: Einfache Klassenstrukturen
9) Objektorientiertes Programmieren
- Objektorientiertes Programmieren
- Konzept der Klassenvererbung
- Mehrfachklassenvererbung
- Methode der übergeordneten Klasse aufrufen
- Objektorientiertes Programmdesign
10) Programmfehler erkennen und behandeln
- Was ist zu tun, wenn das Programm auf einen Fehler stösst?
- Auslösen und verarbeiten von Exceptions
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
12) Numpy und SciPy Module
- Programme für die Wissenschaft mit NumPy und SciPy
- Der Datentyp ndarray
- Vektorisierung mit ndarrays
- Vektorisierte numerische Operatoren mit 'NumPy'
- Wissenschaftliche Python-Programme mit Matrizen
- Hausaufgaben: Einfache Programme mit NumPy
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
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
- Execution of compiled or interpreted programs
2) Python's list from the perspective of procedural programming
- List Types in Python
- 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
- Homework: Simple programs with lists
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
- Using 'enumerate' in 'for' Loops
- Using 'zip' in loops
- Python list abstraction
- Replacing loops with the 'map' function
- 'while' loop or 'for' loop?
- Homework: Simple programs with for loops
- Step-by-step tutorials for writing programs: The exercises
- Step-by-step tutorials for writing programs: The solutions
4) Python functions
- Definition of functions
- Function overloading
- Converting a list or a tuple into function arguments
- Homework: Simple global functions
5) Namespaces and modules
- Namespaces
- Function namespace
- Python modules
- 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
- match: case
7) Set and Dictionary
- Set
- Dictionary
8) Structured data sets in Python
- 'class' type objects in Python
- Methods of class objects in Python
- Class attributes
- Homework: Simple class structures
9) Object-oriented programming
- Object oriented programming
- Concept of class inheritance
- Multiple class inheritance
- Invoking the parent class method
- Object-oriented program design
10) Detecting program errors and treating them
- What to do when the program encounters an error?
11) More about functions in Python
- Passing 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
- Homework: Simple programs with NumPy
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
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

Seminar, Praktikum und begleitende Übung

nach Absprache mit den Dozenten

Vorbesprechung am 01.10.2026 von 13.00 - 14.00 Uhr über BBB.
LmCh: 12.10.2026 - 27.11.2026; Mo - Do von 13 - 18 Uhr, Fr von 10 - 18 Uhr
Mat-Wiss: 12.10.2026 - 06.11.2026; Mo + Fr von 14 - 18 Uhr, Di, Mi, Do von 13 - 18 Uhr

Nach Absprache mit dem Dozenten

nach Absprache mit den Dozenten.

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
- Ausführung kompilierter oder interpretierter Programme
2) Pythons list aus der Perspektive der prozeduralen Programmierung
- Listentypen in Python
- 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 'list'
- Das Tupel als Gruppe von Datenelementen
- Hausaufgaben: Einfache Programme mit Listen
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
- Verwendung von 'enumerate' in 'for'-Schleifen
- Verwendung von 'zip' in Schleifen
- Python Listen-Abstraktion
- Ersetzen von Schleifen durch die Funktion 'map'
- ''while'-Schleife oder 'for'-Schleife?
- Hausaufgaben: Einfache Programme mit for-Schleifen
- Schritt-für-Schritt-Anleitungen zum Schreiben von Programmen: Die Übungen
- Schritt-für-Schritt-Anleitungen zum Schreiben von Programmen: Die Lösungen
4) Python-Funktionen
- Definition von Funktionen
- Funktionsüberladung
- Eine Liste oder ein Tupel in Funktionsargumente umwandeln
- Hausaufgaben: Einfache globale Funktionen
5) Namensräume und Module
- Namensräume
- Funktionsnamensraum
- Python Module
- 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
- Iteration über Objekte
- match: case
7) Set und Dictionary
- Set
- Dictionary
8) Strukturierte Datensätze in Python
- Objekte vom Typ class in Python
- Methoden der Klassenobjekte in Python
- Klassenattribute
- Hausaufgabe: Einfache Klassenstrukturen
9) Objektorientiertes Programmieren
- Objektorientiertes Programmieren
- Konzept der Klassenvererbung
- Mehrfachklassenvererbung
- Methode der übergeordneten Klasse aufrufen
- Objektorientiertes Programmdesign
10) Programmfehler erkennen und behandeln
- Was ist zu tun, wenn das Programm auf einen Fehler stösst?
- Auslösen und verarbeiten von Exceptions
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
12) Numpy und SciPy Module
- Programme für die Wissenschaft mit NumPy und SciPy
- Der Datentyp ndarray
- Vektorisierung mit ndarrays
- Vektorisierte numerische Operatoren mit 'NumPy'
- Wissenschaftliche Python-Programme mit Matrizen
- Hausaufgaben: Einfache Programme mit NumPy
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
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
- Execution of compiled or interpreted programs
2) Python's list from the perspective of procedural programming
- List Types in Python
- 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
- Homework: Simple programs with lists
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
- Using 'enumerate' in 'for' Loops
- Using 'zip' in loops
- Python list abstraction
- Replacing loops with the 'map' function
- 'while' loop or 'for' loop?
- Homework: Simple programs with for loops
- Step-by-step tutorials for writing programs: The exercises
- Step-by-step tutorials for writing programs: The solutions
4) Python functions
- Definition of functions
- Function overloading
- Converting a list or a tuple into function arguments
- Homework: Simple global functions
5) Namespaces and modules
- Namespaces
- Function namespace
- Python modules
- 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
- match: case
7) Set and Dictionary
- Set
- Dictionary
8) Structured data sets in Python
- 'class' type objects in Python
- Methods of class objects in Python
- Class attributes
- Homework: Simple class structures
9) Object-oriented programming
- Object oriented programming
- Concept of class inheritance
- Multiple class inheritance
- Invoking the parent class method
- Object-oriented program design
10) Detecting program errors and treating them
- What to do when the program encounters an error?
11) More about functions in Python
- Passing 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
- Homework: Simple programs with NumPy
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
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

Seminar, Praktikum und begleitende Übung