Data Analysis & Programming

3 EC

Semester 1, periode 3

5112DAAP3Y

Eigenaar Bachelor Scheikunde (joint degree)
Coördinator prof. dr. L. Visscher
Onderdeel van Bachelor Scheikunde (joint degree), jaar 2

Studiewijzer 2022/2023

Globale inhoud

Primary goal of this course is to introduce chemistry students into the use of Jupyter notebooks for data processing, analysis and visualization. By learning how to modify and execute standard data processing workflows, the student will also get a brief introduction into the Python programming language, which is the secondary goal of this course. Emphasis will thereby be on the use of widely-used scientific and data analysis libraries (Pandas, Numpy and Scipy, Matplotlib, etc.) instead of programming workflows from scratch. Modelling and prediction of measured data by means of simulation and the role of machine learning algorithms therein will be discussed.

The course will follow a hands-on approach with emphasis on acquiring programming skills in relation to analysis and visualization of data. The 2-hour lectures at the beginning of the day will serve to introduce the concepts and skills to be acquired and practiced during the remains of the day (computer labs).   

Studiemateriaal

Literatuur

  • Recommended but optional (for students that want to learn the Python language in more depth) is the following book: C. Hill, 'Learning Scientific Programming with Python', Cambridge University Press, ISBN 978-1-107-42822-5 (or the e-book version).

Syllabus

  • will be provided via Canvas.

Practicummateriaal

  • students should have a laptop computer

Software

  • Conda, Jupyter

Leerdoelen

  • Acquire an understanding of basic data processing workflows in chemistry.
  • Be able to apply Jupyter notebooks to analyse and visualize data.
  • Analyse and fit experimental data on basis of simple models.
  • Be able to modify and create Python scripts.

Onderwijsvormen

  • Hoorcollege
  • (Computer)practicum

Verdeling leeractiviteiten

Activiteit

Uren

Zelfstudie

84

Totaal

84

(3 EC x 28 uur)

Aanwezigheid

Aanwezigheidseisen opleiding (OER-B):

  • Van elke student wordt actieve deelname verwacht aan het onderdeel waarvoor hij staat ingeschreven.
  • Als een student door overmacht niet aanwezig kan zijn bij een verplicht onderdeel van het onderdeel, dient hij dit zo snel mogelijk schriftelijk te melden bij de betreffende docent. De docent kan, eventueel na overleg met de studieadviseur, besluiten om de student een vervangende opdracht op te leggen.
  • Het is niet toegestaan om verplichte onderdelen van een onderdeel te missen als er geen sprake is van overmacht.
  • Bij kwalitatief of kwantitatief onvoldoende deelname, kan de examinator de student uitsluiten van verdere deelname aan het onderdeel of een gedeelte daarvan. Voorwaarden voor voldoende deelname worden van te voren vastgelegd in de studiewijzer en/of op Canvas.

Aanvullende eisen voor dit vak:

Studenten worden geacht voltijds aanwezig te zijn tijdens de 6 practicumdagen. Afwezigheid moet tijdig worden gemeld bij een van de docenten en te hoogste 1 afwezigheid is mogelijk zonder dat dit het eindcijfer beïnvloedt.

Toetsing

Onderdeel en weging Details

Eindcijfer

1 (50%)

Tentamen digitaal 1

Vereist

1 (50%)

Practicum opdrachten (5x)

Vereist

Practicumopdrachten worden in groepjes van ten hoogste 2 studenten gemaakt en moeten zijn nabesproken voordat ze meetellen. Hierbij kan de nabespreking het cijfer nog beïnvloeden. De gemiddelde van de beste 5 practicumopdrachten (uit 6) bepaalt het practicum cijfer. Het tentamen wordt digitaal afgenomen en bestaat grotendeels uit multiple choice vragen die de opgedane kennis van Python en het gebruik van Jupyter Notebooks testen.

Fraude en plagiaat

Dit vak hanteert de algemene 'Fraude- en plagiaatregeling' van de UvA. Hier wordt nauwkeurig op gecontroleerd. Bij verdenking van fraude of plagiaat wordt de examencommissie van de opleiding ingeschakeld. Zie de Fraude- en plagiaatregeling van de UvA: http://student.uva.nl

Weekplanning

Weeknummer Onderwerpen Studiestof
1 Processing data with Jupyter Notebooks Syllabus, online material.
2 Data analysis and visualization Syllabus, online material.
3 Constructing  Computational Models Syllabus, online material.
4 Exam Syllabus, online material.

Verwerking feedback studenten

Hieronder vind je de aanpassingen in de opzet van het vak naar aanleiding van de vakevaluaties.

Contactinformatie

Coördinator

  • prof. dr. L. Visscher