• Grundkenntnisse

• Modularisierung und Namensräume

• Datenstrukturen wie Arrays, Listen, Bäume, Dictionaries

• Einfache Algorithmen und Laufzeiten

• Jenseits genauer Berechenbarkeit: Nutzung von Zufall und Annäherung

• Random walks und Simulation

• Stochastische Programme, Wahrscheinlichkeit, Verteilungen

• Monte-Carlo-Simulation und approximative Berechnung

• Sampling, zentraler Grenzwertsatz, Konfidenzintervalle

Data-Handling: experimentelle Daten aufbereiten und verstehen

• Daten aus Files extrahieren

• Daten visualisieren: Plotting, Diagramme, Heatmaps

• Modellerstellung: Curve Fitting, Linear Regression, ...

Machine Learning Tools: Struktur und Muster in Daten finden

• Feature vectors und distance metrics

• Clustering

• Classification methods

Netzwerke und Kommunikation

• Internet und Security Basics (z.B. TLS)

• Einfache Client Server Programmierung mit TCP und TLS

• Internet of Things (z.B. auch mit Bezug zu Daten)

Weitere Computer-Fertigkeiten wie z.B. Umgang mit Dateiformaten und User Interface Programmierung werden im Sinne von "Learning by doing" in die Beispiele bzw. Übungen integriert. Ähnliches gilt für fortgeschrittene Programmiertechniken.