Universität Wien

200222 SE Theorie und Empirie wissenschaftlichen Arbeitens (Geist und Gehirn) 1 (2022S)

8.00 ECTS (4.00 SWS), SPL 20 - Psychologie
Prüfungsimmanente Lehrveranstaltung
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 20 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

TEWA 1: Scientific Computing in Python for Cognitive Psychology

Dieser Kurs ist als reiner Präsenzkurs geplant.

Wenn Sie keine Programmier-/Python-Kenntnisse haben, wird empfohlen, dass Sie vor Kursbeginn einige Stunden mit einführendem Python-Material verbringen (z.B.: learnpython.org, datacamp). Das wird Ihnen die ersten Wochen des Kurses wesentlich erleichtern!

In der Spezialisierung Geist & Gehirn bieten wir TEWA 1 und TEWA 2 an. TEWA 1 konzentriert sich im Allgemeinen auf rechnerische Aspekte/Theorie und TEWA 2 auf die praktische Anwendung spezifischer Datenerfassungstechniken. Während Ihres Masterstudiums müssen Sie einen TEWA 1 und einen TEWA 2 besuchen. Sie sollten zuerst einen TEWA 1 und dann einen TEWA 2 besuchen.

  • Montag 07.03. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 09.03. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Montag 14.03. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 16.03. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Montag 21.03. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 23.03. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Montag 28.03. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 30.03. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Montag 04.04. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 06.04. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Montag 25.04. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 27.04. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Montag 02.05. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 04.05. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Montag 09.05. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 11.05. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Montag 16.05. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 18.05. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Montag 23.05. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 25.05. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Montag 30.05. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 01.06. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 08.06. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Montag 13.06. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 15.06. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Montag 20.06. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 22.06. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock
  • Montag 27.06. 13:15 - 14:45 Hörsaal E Psychologie, Liebiggasse 5 1. Stock
  • Mittwoch 29.06. 16:45 - 18:15 Hörsaal F Psychologie, Liebiggasse 5 1. Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Ziel dieses Kurses ist es, die Studierenden in die Verwendung der Programmiersprache Python für die Lösung von Datenanalyseproblemen einzuführen, die in der psychologischen Forschung häufig auftreten.
Der erste Teil des Kurses wird eine allgemeine Einführung in Python und die wichtigsten Bibliotheken für die Datenanalyse sein: numpy, scipy, matplotlib, pandas.
Der zweite Teil des Kurses wird sich auf allgemeine Methoden der Datenwissenschaft konzentrieren (statistische Inferenz mit Resampling-Methoden, Regressionsmodelle, maschinelles Lernen).
Im letzten Teil des Kurses wird die zuvor erlernte Programmierung auf Modelle mit besonderer Relevanz für die Kognitionswissenschaft angewendet (Bayes'sches Modell, Reinforcement Learning, Augenbewegungen).

Während der Schwerpunkt des Kurses auf den praktischen und programmiertechnischen Aspekten liegt, werden wir auch die theoretischen Aspekte dieser Themen für die Kognitionswissenschaft diskutieren.
Der Unterricht am Montag konzentriert sich auf die Theorie, mittwochs finden Programmierübungen statt.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Teilnahme an Diskussionen und kleine theoretische Hausaufgaben: 25%.
Teilnahme am Tutorium und Kodier Hausaufgaben: 50%
Abschlussprojekt: 25%.

Mindestanforderungen und Beurteilungsmaßstab

Aktive Teilnahme am Unterricht und an den Programmierübungen.

1: >87%
2: 76 - 87%
3: 64 - 75%
4: 51 - 63%
5: <=50%

Prüfungsstoff

Fähigkeit zur Verwendung von Python für grundlegende Datenanalyse- und Visualisierungsaufgaben

Versteht Resampling-Methoden für statistische Analysen und kann sie in Code implementieren

Versteht die Verwendung von Zufallssimulationen für die Datenanalyse

Kann grundlegende lineare Regression verstehen und weiß, wie sie mit fortgeschritteneren Regressionsmodellen zusammenhängt

Versteht die wichtigsten Konzepte der Signaldetektionstheorie

Vertraut mit den wichtigsten Werkzeugen des maschinellen Lernens

Literatur

Introduction to Modern Statistics (2021): https://openintro-ims.netlify.app/index.html
Think Bayes 2: http://allendowney.github.io/ThinkBayes2/index.html

Gelman, Hill, Vethari (2021): Regression and Other Stories

Statistical Thinking for the 21st Century:
https://statsthinking21.github.io/statsthinking21-core-site/

Ma, Kording, Goldreich: Bayesian models of perception and action

Stanislaw, H., & Todorov, N. (1999). Calculation of signal detection theory measures. Behavior research methods, instruments, & computers, 31(1), 137-149.

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Di 22.11.2022 08:08