Basiskurs Python (zur Datenanalyse)

Übersicht

Python Logo

 

 

Python kann Deine Fähigkeiten, Daten aus beliebigen Forschungsgebieten zu sammeln und auszuwerten enorm verbessern. Es handelt sich um eine vergleichsweise leicht zu lernende aber auch mächtige Programmiersprache mit einer eleganten Syntax.

Dieser interdisziplinär ausgerichtete Basiskurs soll hierfür einen Einstieg ermöglichen und richtet sich daher explizit an Studierende aller Fachrichtungen ohne oder mit wenig Programmiererfahrung. Der Kurs findet vom 12. bis 23.10.2020 statt.

Der Schwerpunkt liegt auf der Verarbeitung von tabellarisch strukturierten Daten von der Aufbereitung bis zur Visualisierung. Der Kurs setzt sich aus 10 Lerneinheiten zusammen mit einem anvisierten Arbeitsaufwand von je 90 Minuten. Die Teilnehmenden erarbeiten die Übungsaufgaben in Kleingruppen weitgehend selbstständig mit bereitgestellten Ressourcen. Die Aufgaben und mögliche Fragen werden in täglichen Online-Besprechungen im o.g. Zeitraum um 17 Uhr besprochen. Für die erste Durchführung ist eine Kursgröße von 20-25 Teilnehmenden vorgesehen.

Zur Anmeldung schreibt Euch bitte selbst im LMS (Moodle) in den Kurs ein: https://lms.uni-mainz.de/moodle/course/view.php?id=38497 Aufgrund der beschränkten Teilnehmerzahl werden wir eventuell nicht jeder Einschreibung gerecht werden können. Sollten alle Plätze bereits belegt sein, schreibe uns gerne eine Email (Kontaktpersonen siehe unten), wenn wir Dich als mögliche interessierte Person vormerken sollen.

 

Aufbau

Linendiagramm mit Pandas; Bildquelle: https://upload.wikimedia.org/wikipedia/commons/8/89/Pandas_lineplot.png

 

  1. Eigenständige Vorbereitung:
    Selbsteinschreibung in den Moodle, Installation Jupyternotebook
  2. Einführungsveranstaltung:
    Videokonferenz, Einteilung der Lerngruppen
  3. Lerneinheiten (täglich):
    1. Hello World, reguläre Ausdrücke
    2. Funktionen, bedingte Anweisungen
    3. Sequenzen (Arrays, Ranges)
    4. Tabellen (u.a. Import/Export)
    5. Weiterführende Visualisierung
  4. Projektorientiere Übung:
    Praktische Übungen (u.a. durch externe Referierende) die unterschiedlichen (Fach-) Disziplinen entstammen.
  5. Weiterführende Lerneinheiten:
    1. Ermittlung statistischer Kennzahlen
    2. Reflexion über Statistik, ihre Chancen und Risiken
  6. Ausblick:
    Videokonferenz, Reflexionsrunde und mögliche Anwendungsfelder (Data Mining, Machine Learning, Simulation)

Verwendete Plattformen

  • Moodle (lms.uni-mainz.de): Zentrale (Lern-)Plattform als Informationshub, Wiki, Austausch- und Feedbackmöglichkeit. Selbsteinschreibung der Studierenden.
  • Jupyter Notebook mit Plugin nbgrader: Einfach zu nutzende plattformunabhängige Progrmammierumgebung mit automatisierter Testfunktion
  • BigBlueButton (bbb.rlp.net): Videokonferenzen für die Einführungssitzung, die Feedback-Runden und für Gruppenarbeitsräume.

Lern- und Arbeitsformen

  • Lerngruppen: Die Studierenden arbeiten in kleinen (interdisziplinären) Lerngruppen, die zu Beginn des Kurses eingeteilt werden.
  • Live-Session (täglich): Videokonferenzen zum Auftakt, für Feedback- und Fragerunden und zum Kursabschluss.
  • Lerneinheiten: Lernvideos zu einzelnen Themenkomplexen, Links zu weiterführenden Informationen und Aufgabenstellungen für Coding-Übungen.
  • Referierende (extern): Legen in Videobotschaften Motivation und Anwendungsbeispiele für den eigenen Fachbereich dar und unterstützen bei fachspezifischen Coding-Übungen und weiterführenden Lerneinheiten.
  • Self-Teaching: Selbstständiges Lernen sowie Konzeption und Präsentation eigener Übungsaufgaben in projektorientierter Übung

Kontakt