Die in wissenschaftlichen Projekten erzeugte Datenmenge nimmt rasant zu. Teilweise ist der Anstieg darin begründet, dass neue datenbasierte Auswertemethoden, eine bessere und genauere Analyse wissenschaftlicher Daten erlauben. Darüber hinaus ergeben sich aus der Verknüpfung von Daten neue Erkenntnisse. Dies setzt eine systematische Organisation von Daten voraus. Die hierfür erforderlichen Kenntnisse der Datenwissenschaften und Informatik werden gleichermaßen für Computersimulationen und experimentelle Untersuchungen benötigt. Die Aufbereitung/Klassifizierung (z.B. elektronisches Laborbuch) und Strukturierung von Daten ist ein notwendiger Schritt zu deren Wiederverwendung. Die Vorlesung stellt Grundlagen und Softwaretools für entsprechende Scientific Workflows vor:  Python und Bibliotheken, Jupyter notebook, Shell-Skripte und Dokumentation mit git-basierten Werkzeugen. Anwendung in Python umfassen statistischen Methoden, Machine-Learning-Techniken wie Klassifikation, künstliche neuronale Netze (ANN), Convolutional Neural Networks (CNN) und Gauß Prozesse (GP) für Simulationsplanung.  Weiterhin wird ein Überblick über Datenbanksysteme in der Materialforschung und das FAIR Datenprinzip (Auffindbarkeit, Zugänglichkeit, Interoperabilität und Wiederverwendbarkeit) gegeben.

Ziel:

Die Studierenden können

• elektronisch Daten organisieren und dokumentieren
• mit Datenformaten umgehen: einfache, hierarchische
• mit Softwareverwaltungstools (git, gitlab) umgehen
• wissenschaftlichen Arbeitsablauf (worksflows) umfassend protokollieren und die Nachvollziehbarkeit sicherstellen
• python basierte Bibliotheken zur Datenverarbeitung und Auswertung verwenden

• Grundlagen des Maschinellen Lernens anwenden

Einzelne Vorlesungsinhalt:

1. Einführung: Notwendigkeit der Datenwissenschaften und Informatikgrundlagen
2. Programmieren und Programmierparadigmen anhand von Python
3. Software- und Datenverwaltung: lokale und zentrale Verwaltung (git, gitlab)
4. Datenverarbeitung: Automatisierung -- von Skripten zu Workflow (Beispiele aus Simulation und Experiment)                                                                                     
5. Elektronisches Laborbuch              
6. Maschinelles Lernen: Klassifikation, Neuronale Netze, Gauß Prozess

Übung:

Der Vorlesungsstoff wird in den Übungen vertieft (Übung 1SWS)

Prüfungsmodus:

• Bearbeitung eines Projekts: Projektthemen aus den Bereichen 
  • Werkstoffsimulation und Workflow
  • Datenorganisation und Analyse: aus Experiment oder SImulation
  • Vorstellung des Projekts in einem 15 minütigen Vortrag + Fragen 
• Prüfungsvorleistung: Erfolgreicher Beginn der Projektarbeit

Literatur: 

• Handbuch Data Science, Hanser Verlag
• Effective Computation in Physics, Scopatz & Huff, O’Reilly 2015
• Python Data Science Handbook, J. VanderPlas, O’Reilly 2016. 
• Materials Data Science, S. Sandfeld, Springer, 2024.