FY844: Introduktion til Python, maskinlæring og datahåndtering for de fysiske videnskaber

NB: Kurset lægger væsentlig vægt på fysik i opgaver og eksempler, men kan også følges af studerende der ikke læser fysik.

Kurset har til formål at give den studerende grundlæggende færdigheder indenfor

1. Videnskabelig programmering med Python med vægt på fysikorienterede problemstillinger
2. Maskinlæring
3. Håndtering af forskellige typer af data

Kurset giver et fagligt grundlag for at arbejde med datahåndtering og maskinlæringsmetoder i projekter senere på uddannelsen.

Målbeskrivelse - viden
Ved afslutning af kurset forventes det at den studerende kan

1. Redegøre for basal brug af Python-bibliotekerne NumPy, SciPy og Matplotlib
2. Redegøre for brugen af Python-biblioteket scikit-learn
3. Redegøre for håndtering af forskellige datatyper med Python
4. Redegøre for datareduktionsmetoder, fx PCA
5. Redegøre for grundlæggende ideer bag kunstige neuroner og neurale netværk
6. Redegøre for brugen af Keras med TensorFlow som backend

Målbeskrivelse - færdigheder
Ved afslutningen af kurset forventes det at den studerende kan

1. Skrive og køre simple programmer baseret på python
2. Bruge standard pythonbiblioteker som NumPy, SciPy og Matplotlib
3. Bruge scikit-learn til at håndtere og analysere data
4. Bruge Keras/TensorFlow til deep learning
5. Demonstrere evnen til at perspektivere brugen af forskellige Pythonmoduler til dataanalyse 

Målbeskrivelse - kompetencer
Ved afslutningen af kurset forventes det at den studerende kan skrive et Python program til håndtering, analyse og visualisering af en given datamængde.

Kurset indeholder følgende faglige hovedområder: 

1. Grundlæggende, praktisk introduktion til Python som programmeringssprog
2. Introduktion til NumPy, SciPy, Pandas og Matplotlib med udgangspunkt i bl.a. en N-body simulering
3. Introduktion til det teoretiske grundlag for maskinlæring, inkl. kunstige neuroner og neutrale netværk
4. Introduktion til scikit-learn som maskinlærings-værktøj og værktøj til datahåndtering
5. Introduktion af Keras med TensorFLow som backend, som redskab til at lave kunstige neurale netværk
6. Udvikling og implementering af algoritmer til håndtering, analyse og visualisering af data, med udgangsunkt i overvejende fysik-relateret data

Skemalagte undervisningstimer:  

Antal undervisningstimer i alt: 48

Heraf:  

Fællestimer i klasselokale/auditorium 48

Undervisningen består af både forelæsninger og opgaveløsning med mulighed for vejledning. 

Andre planlagte undervisningsaktiviteter:  

• Løsning af ugentlige opgaver med henblik på at udvikle kompetencerne til at løse de obligatoriske opgaver
• Løsning af obligatoriske opgaver