Kurset Data introducerer de studerende til eksperimentelt arbejde og databehandling som centrale elementer i ingeniørens værktøjskasse. Selvom kurset har fokus på data, er det eksperimentelle aspekt i centrum: de studerende lærer at undersøge fysiske problemstillinger gennem målinger, analysere deres resultater og kritisk vurdere kvaliteten af både data og modeller.

Gennem planlægning og udførelse af mindre eksperimenter opnår de studerende erfaring med at vælge målemetoder, identificere relevante variable og kontrollere påvirkende faktorer. De arbejder systematisk med måleusikkerheder, herunder forskellen mellem tilfældige og systematiske fejl, samt hvordan usikkerheder kvantificeres og propagerer gennem beregninger. Samtidig introduceres statistiske metoder og regressionsanalyse som redskaber til at beskrive og evaluere sammenhænge i data.

Kurset integrerer programmering i Python som et centralt værktøj til at håndtere og analysere data – fra import og strukturering til visualisering og modellering. De studerende lærer at sammenholde eksperimentelle resultater med teoretiske modeller, vurdere modellernes gyldighed og anvende datadrevne metoder til at estimere fysiske parametre.

Der lægges vægt på at udvikle en kritisk og reflekteret tilgang til eksperimentelt arbejde, hvor de studerende ikke blot opnår tekniske færdigheder, men også forståelse for datakvalitet, metodiske valg og modellernes begrænsninger. Kurset understøtter dermed evnen til at arbejde systematisk og undersøgende med virkelige problemstillinger i en ingeniørmæssig kontekst. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Anvende og vurdere måleusikkerheder, herunder anvende fejlophobningsloven og statistiske metoder til bestemmelse af usikkerheder.
• Vurdere variation i gentagne målinger og skelne mellem tilfældige og systematiske usikkerheder.
• Planlægge og udføre mindre eksperimenter, herunder vælge målemetoder, indsamle data og sammenholde resultater med teoretiske modeller.
• Designe eksperimenter til at besvare konkrete fysiske spørgsmål, herunder identificere relevante variable og kontrollere påvirkende faktorer.
• Anvende Python til at importere, strukturere, filtrere, transformere, analysere og visualisere data.
• Udføre regressionsanalyse og vurdere modellens kvalitet, herunder residuer og gyldighedsområde.
• Vurdere overensstemmelse mellem model og data under hensyntagen til usikkerheder.
• Anvende symbolske og numeriske metoder til løsning af ligninger og simple differentialligninger i forbindelse med datamodeller.
• Organisere, repræsentere og kommunikere eksperimentelle data i tabeller, grafer og korte tekniske rapporter.
• Reflektere over datakvalitet, målemetoder og modellernes begrænsninger i eksperimentelle undersøgelser.
• Anvende datadrevne metoder til at estimere fysiske parametre ud fra eksperimentelle målinger.

Introduktion til data; generering, opsamling, filtrering og behandling. Vurdering af usikkerheder og beregninger med størrelser med usikkerheder. Dataanalyse af eksperimentelle data. Planlægning og udførelse af mindre og større eksperimenter. 21. september, 2026