Mehr hierzu auf der Landing Page!
Gegen Ende meines Studiums, von 2018 bis 2020, war ich maßgeblich an der Konzeption der Vorlesungsinhalte, der Übungsaufgaben und der automatisierten Korrektursysteme für den Kurs „Scientific Programming in Python“ beteiligt. Gemeinsam mit einem weiteren Kommilitonen habe ich diese Vorlesungsreihe von Grund auf neu geplant und implementiert.
Der Kurs beginnt mit Python-Grundlagen und fortgeschrittenen Konzepten sowie Tools wie git, JupyterLab und Debugging-Verfahren. Im weiteren Verlauf decken wir die gesamte Bandbreite des wissenschaftlichen Arbeitens mit Daten ab: von der Datenverarbeitung (Numpy, Pandas) über Visualisierung (Matplotlib, Plotnine, Seaborn, Altair) und Analyse (Statsmodels, Scipy) bis hin zur Erstellung von Experimenten (Expyriment, Psychopy).
Das Kursformat wurde als interaktive Vorlesung (mittels Jupyter Notebooks) konzipiert, ergänzt durch wöchentliche Hausaufgaben. Die Bewertung erfolgte automatisiert über GitHub Classroom in Kombination mit eigens entwickelten Tools und einem individuellen Dashboard für die Studierenden; den Abschluss bildete eine optionale Open-Book-Prüfung. Sämtliche Kursmaterialien (inklusive Videoaufzeichnungen) sind Open-Source und auf GitHub sowie YouTube verfügbar. Den Lehrplan, die vollständigen Unterlagen, eine Dashboard-Demo, Evaluationen sowie die Aufzeichnungen aller Durchgänge finden Sie auf der Landing Page. Eine Übersicht der Kursinhalte ist zudem hier verfügbar.
Der Kurs wurde über drei Iterationen mit jeweils 100 bis 130 Studierenden durchgeführt, wobei die Iteration im Jahr 2020 aufgrund der COVID-19-Pandemie vollständig online stattfand.