Faglig innhold

The course will introduce the use of simple data analysis and visualization techniques in chemistry, using Python as a general scripting and programming language. You will learn the basic data analysis techniques needed to interpret experimental data obtained in experimental lab courses, and you will also be introduced to the use of the Jupyter notebook as an interactive tool for scripting and programming. The course uses Python as a scripting language to aid in quantitative analysis of data, but it is not intended to be a comprehensive course in general programming. However, it will introduce the elements of the Python language and therefore should serve as a useful pre-introduction to Python programming.

The course is delivered through a combination of lectures and interactive sessions, using Jupyter notebooks. The first part of the course will introduce simple data types in Python, 1D and 2D numerical matrices, simple numerical calculations, function definitions and plotting via the Matplotlib data visualization library. The focus will be on

• Production of clean, labeled, easy-to-read linear and logarithmic 2D plots, using appropriate units.
• General statistical quantities, including mean, type number, median, standard deviation, standard error and relative standard deviation.
• Visual presentation of statistical data using histograms and other plot types.
• Extraction and manipulation of sub-data within a larger data set, using splicing methods and logical operators.
• Simple methods for writing data to text files and importing data from text files into Python
• Weighted and unweighted linear fitting of chemical data to polynomials and other basic functions with emphasis on the dangers of overfitting data to high order polynomials.
• Using Python modules to extend the functionality of the core Python programming language, using Scipy's curve_fit function for non-linear fitting as an example.
• Introduction to 3D curve plotting, along with the use of contour plots and projections for 2D representation of 3D data.
• Use of experimental design (factorial design) to plan and carry out experiments.

In the second part of the course, you must complete a series of pass/fail and graded assignments that make use of the concepts introduced in the earlier part of the course. These tasks will illustrate the application of the methods we have learned to common problems in chemistry, including analysis of kinetic data, fitting of chemical data to known physical models, statistical analysis of chemical data and planning of chemistry-based experiments.

The assessed assignments will also include a laboratory-based component, where you will be required to collect experimental data for further analysis in Python.

Læringsutbytte

Etter vellykket gjennomføring av kurset bør du være komfortabel med å bruke Python for enkel analyse og plotting av eksperimentelle data. Spesielt vil du kunne:

• Bruk Python som et skriptspråk for analyse og plotting.
• Bruk Jupyter notatbøker som et interaktivt skriptmiljø.
• Forstå og bruk vanlige datatyper i Python, både i skalar- og matriseformat.
• Trekk ut grunnleggende statistisk informasjon fra datamatriser, inkludert gjennomsnitt, median, typetall, standardavvik og relativt standardavvik.
• Bruk lineære og ikke-lineære tilpasningsmetoder for å tilpasse data til enkle funksjoner.
• Generer rene, merkede plott i 2D og 3D med passende enheter.
• Forstå hvordan teknikkene ovenfor kan brukes på vanlige problemer og oppgaver innen fysikalsk, organisk, uorganisk og analytisk kjemi.

Læringsformer og aktiviteter

Kurset vil bli gitt gjennom en kombinasjon av forelesninger og Jupyter notatbokøvelser. Notatbokøvelsene er obligatoriske og 100 % må være godkjent for å gi tilgang til de eksaminerte oppgavene. De undersøkte oppgavene vil ha form av to blandede eksperimentelle/beregningsøvelser, en med fokus på innhenting og analyse av kinetiske data, og den andre fokusert på bruk og anvendelse av faktoriell design i planlegging av kjemiske eksperimenter.

Den totale arbeidsmengden er 200 timer inkludert forelesninger, problemsett og selvstudier.

Obligatoriske aktiviteter

• Praksisvurdering 1
• Praksisvurdering 2
• Praksisvurdering 3
• Praksisvurdering 4
• Praksisvurdering 5
• Praksisvurdering 6

Anbefalte forkunnskaper

Antatte forkunnskaper: matematikk fra videregående.

Forkunnskapskrav

Det kreves opptak til bestemte studieprogram.

Kursmateriell

En serie interaktive Jupyter-notatbøker vil bli gitt.