Some makeup everywhere...

Makefile

@@ -1,13 +1,15 @@
 BASENAME=scientificcomputing-script
 
-SUBDIRS=programming statistics bootstrap likelihood pointprocesses 
+SUBDIRS=designpattern statistics bootstrap regression likelihood pointprocesses 
-#spike_trains designpattern
+#programming  spike_trains
-# regression
+SUBTEXS=$(foreach subd, $(SUBDIRS), $(subd)/lecture/$(subd).tex)
 
-pdf : $(BASENAME).pdf
+pdf : chapters $(BASENAME).pdf
+
+chapters :
 	for sd in $(SUBDIRS); do $(MAKE) -C $$sd/lecture pdf; done
 
-$(BASENAME).pdf : $(BASENAME).tex header.tex
+$(BASENAME).pdf : $(BASENAME).tex header.tex $(SUBTEXS)
 	export TEXMFOUTPUT=.; pdflatex -interaction=scrollmode $< | tee /dev/stderr | fgrep -q "Rerun to get cross-references right" && pdflatex -interaction=scrollmode $< || true
 
 clean :
@@ -17,5 +19,5 @@ clean :
 cleanall : clean
 	rm -f $(PDFFILE)
 
-watch :
+watchpdf :
 	while true; do ! make -q pdf && make pdf; sleep 0.5; done

bootstrap/lecture/bootstrap.tex

@@ -103,10 +103,10 @@ der gemessene Mittelwert um den Populationsmittelwert streut.
     Mittelwertes.  Die --- normalerweise unbekannte ---
     Stichprobenverteilung des Mittelwerts (rot) ist um den
     Populationsmittelwert bei $\mu=0$ zentriert.  Die
-    Bootstrap-Verteilung (blau) die durch Resampling aus einer
+    Bootstrap-Verteilung (blau), die durch Resampling aus einer
-    Stichprobe gewonnen worden ist hat die gleiche Form und Breite wie
+    Stichprobe gewonnen worden ist, hat die gleiche Form und Breite
-    die Stichprobenverteilung, ist aber um den Mittelwert berechnet
+    wie die Stichprobenverteilung, ist aber um den Mittelwert der
-    aus der Stichprobe zentriert. Die Standardabweichung der
+    Stichprobe zentriert. Die Standardabweichung der
     Bootstrapverteilung kann also als Sch\"atzer f\"ur den
     Standardfehler des Mittelwertes verwendet werden.}
 \end{figure}

designpattern/lecture/designpattern.tex

@@ -7,72 +7,6 @@ Beim Programmieren sind sich viel Codes in ihrer Grundstruktur sehr
 immer wieder in \"ahnlicher Weise vor. In diesem Kapitel stellen wir
 einige dieser ``Design pattern'' zusammen.
 
-%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
-\section{Plotten einer mathematischen Funktion}
-Eine mathematische Funktion ordnet einem beliebigen $x$-Wert einen
-$y$-Wert zu. Um eine solche Funktion zeichnen zu k\"onnen, m\"ussen
-wir eine Wertetabelle aus vielen $x$-Werten und den
-dazugeh\"origen Funktionswerten $y=f(x)$ erstellen. 
-
-Wir erstellen dazu einen Vektor mit geeigneten $x$-Werten, die von
-dem kleinsten bis zu dem gr\"o{\ss}ten $x$-Wert laufen, den wir
-plotten wollen. Die Schrittweite f\"ur die $x$-Werte w\"ahlen wir
-klein genug, um eine sch\"one glatte Kurve zu bekommen. F\"ur jeden
-Wert $x_i$ dieses Vektors berechnen wir den entsprechenden
-Funktionswert und erzeugen damit einen Vektor mit den $y$-Werten. Die
-Werte des $y$-Vektors k\"onnen dann gegen die Werte des $x$-Vektors
-geplottet werden.
-
-Folgende Programme berechnen und plotten die Funktion $f(x)=e^{-x^2}$:
-\begin{lstlisting}
-xmin = -1.0;
-xmax = 2.0;
-dx = 0.01;          % Schrittweite
-x = xmin:dx:xmax;   % Vektor mit x-Werten
-y = exp(-x.*x);     % keine for Schleife! '.*' fuer elementweises multiplizieren
-plot(x, y);
-\end{lstlisting}
-
-\begin{lstlisting}
-x = -1:0.01:2;      % Vektor mit x-Werten
-y = exp(-x.*x);     % keine for Schleife! '.*' fuer elementweises multiplizieren
-plot(x, y);
-\end{lstlisting}
-
-\begin{lstlisting}
-x = -1:0.01:2;      % Vektor mit x-Werten
-plot(x, exp(-x.*x));
-\end{lstlisting}
-
-
-%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
-\section{Skalieren und Verschieben nicht nur von Zufallszahlen}
-Zufallsgeneratoren geben oft nur Zufallszahlen mit festen Mittelwerten
-und Standardabweichungen (auch Skalierungen) zur\"uck. Multiplikation
-mit einem Faktor skaliert die Standardabweichung und Addition einer Zahl
-verschiebt den Mittelwert.
-
-\begin{lstlisting}
-% 100 random numbers draw from a Gaussian distribution with mean 0 and standard deviation 1.
-x = randn(100, 1);
-
-% 100 random numbers drawn from a Gaussian distribution with mean 4.8 and standard deviation 2.3.
-mu = 4.8;
-sigma = 2.3;
-y = randn(100, 1)*sigma + mu;
-\end{lstlisting}
-
-Das gleiche Prinzip ist manchmal auch sinnvoll f\"ur \code{zeros} oder \code{ones}:
-\begin{lstlisting}
-x = -1:0.01:2;      % Vektor mit x-Werten
-plot(x, exp(-x.*x));
-% Plotte f\"ur die gleichen x-Werte eine Linie mit y=0.8:
-plot(x, zeros(size(x))+0.8);
-% ... Linie mit y=0.5:
-plot(x, ones(size(x))*0.5);
-\end{lstlisting}
-
-
 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 \section{for Schleifen \"uber Vektoren}
 Manchmal m\"ochte man doch mit einer for-Schleife \"uber einen Vektor iterieren.
@@ -136,6 +70,72 @@ mean(y)
 \end{lstlisting}
 
 
+%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
+\section{Skalieren und Verschieben nicht nur von Zufallszahlen}
+Zufallsgeneratoren geben oft nur Zufallszahlen mit festen Mittelwerten
+und Standardabweichungen (auch Skalierungen) zur\"uck. Multiplikation
+mit einem Faktor skaliert die Standardabweichung und Addition einer Zahl
+verschiebt den Mittelwert.
+
+\begin{lstlisting}
+% 100 random numbers draw from a Gaussian distribution with mean 0 and standard deviation 1.
+x = randn(100, 1);
+
+% 100 random numbers drawn from a Gaussian distribution with mean 4.8 and standard deviation 2.3.
+mu = 4.8;
+sigma = 2.3;
+y = randn(100, 1)*sigma + mu;
+\end{lstlisting}
+
+Das gleiche Prinzip ist manchmal auch sinnvoll f\"ur \code{zeros} oder \code{ones}:
+\begin{lstlisting}
+x = -1:0.01:2;      % Vektor mit x-Werten
+plot(x, exp(-x.*x));
+% Plotte f\"ur die gleichen x-Werte eine Linie mit y=0.8:
+plot(x, zeros(size(x))+0.8);
+% ... Linie mit y=0.5:
+plot(x, ones(size(x))*0.5);
+\end{lstlisting}
+
+
+%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
+\section{Plotten einer mathematischen Funktion}
+Eine mathematische Funktion ordnet einem beliebigen $x$-Wert einen
+$y$-Wert zu. Um eine solche Funktion zeichnen zu k\"onnen, m\"ussen
+wir eine Wertetabelle aus vielen $x$-Werten und den
+dazugeh\"origen Funktionswerten $y=f(x)$ erstellen. 
+
+Wir erstellen dazu einen Vektor mit geeigneten $x$-Werten, die von
+dem kleinsten bis zu dem gr\"o{\ss}ten $x$-Wert laufen, den wir
+plotten wollen. Die Schrittweite f\"ur die $x$-Werte w\"ahlen wir
+klein genug, um eine sch\"one glatte Kurve zu bekommen. F\"ur jeden
+Wert $x_i$ dieses Vektors berechnen wir den entsprechenden
+Funktionswert und erzeugen damit einen Vektor mit den $y$-Werten. Die
+Werte des $y$-Vektors k\"onnen dann gegen die Werte des $x$-Vektors
+geplottet werden.
+
+Folgende Programme berechnen und plotten die Funktion $f(x)=e^{-x^2}$:
+\begin{lstlisting}
+xmin = -1.0;
+xmax = 2.0;
+dx = 0.01;          % Schrittweite
+x = xmin:dx:xmax;   % Vektor mit x-Werten
+y = exp(-x.*x);     % keine for Schleife! '.*' fuer elementweises multiplizieren
+plot(x, y);
+\end{lstlisting}
+
+\begin{lstlisting}
+x = -1:0.01:2;      % Vektor mit x-Werten
+y = exp(-x.*x);     % keine for Schleife! '.*' fuer elementweises multiplizieren
+plot(x, y);
+\end{lstlisting}
+
+\begin{lstlisting}
+x = -1:0.01:2;      % Vektor mit x-Werten
+plot(x, exp(-x.*x));
+\end{lstlisting}
+
+
 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 \section{Normierung von Histogrammen}
 Meistens sollten Histogramme normiert werden, damit sie vergleichbar

header.tex

@@ -1,8 +1,8 @@
 
 %%%%% title %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 \title{\textbf{\huge\sffamily\tr{Introduction to\\[1ex] Scientific Computing}{Einf\"uhrung in die\\[1ex] wissenschaftliche Datenverarbeitung}}}
-\author{{\LARGE Jan Grewe \& Jan Benda}\\[4ex]Abteilung Neuroethologie\\[2ex]\includegraphics[width=0.3\textwidth]{UT_WBMW_Rot_RGB}}
+\author{{\LARGE Jan Grewe \& Jan Benda}\\[5ex]Abteilung Neuroethologie\\[2ex]\includegraphics[width=0.3\textwidth]{UT_WBMW_Rot_RGB}\vspace{3ex}}
-\date{WS 15/16\\\vfill \includegraphics[width=1\textwidth]{announcements/correlationcartoon}}
+\date{WS 15/16\\\vfill \centerline{\includegraphics[width=0.7\textwidth]{announcements/correlationcartoon}\rotatebox{90}{\footnotesize\url{www.xkcd.com}}}}
 
 %%%% language %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 % \newcommand{\tr}[2]{#1}  % en
@@ -193,8 +193,9 @@
 \usepackage{framed}
 \newcounter{maxexercise} 
 \setcounter{maxexercise}{10000}  % show listings up to exercise maxexercise
-\newcounter{theexercise} 
+\newcounter{exercise}[chapter]
-\setcounter{theexercise}{1}
+\setcounter{exercise}{0}
+\newcommand{\theexercise}{\arabic{exercise}}
 \newcommand{\codepath}{}
 \newenvironment{exercise}[2]%
 {\newcommand{\exercisesource}{#1}%
@@ -203,11 +204,12 @@
   \newcommand{\saveenumi}{\theenumi}\renewcommand{\labelenumi}{(\alph{enumi})}%
   \renewcommand{\FrameCommand}{\colorbox{yellow!15}}%
   \MakeFramed{\advance\hsize-\width \FrameRestore}%
-  \noindent\textbf{\tr{Exercise}{\"Ubung} \arabic{theexercise}:}\newline}%
+  \stepcounter{exercise}%
+  \noindent\textbf{\tr{Exercise}{\"Ubung} \thechapter.\theexercise:}\newline}%
 {\ifthenelse{\equal{\exercisesource}{}}{}%
-  {\ifthenelse{\value{theexercise}>\value{maxexercise}}{}%
+  {\ifthenelse{\value{exercise}>\value{maxexercise}}{}%
     {\lstinputlisting[belowskip=0pt]{\codepath\exercisesource}%
       \ifthenelse{\equal{\exerciseoutput}{}}{}%
       {\addtocounter{lstlisting}{-1}\lstinputlisting[language={},title={\textbf{\tr{Output}{Ausgabe}:}},belowskip=0pt]{\codepath\exerciseoutput}}}}%
-  \endMakeFramed\stepcounter{theexercise}%
+  \endMakeFramed%
   \renewcommand{\theenumi}{\saveenumi}}

programming/lectures/programming.tex

@@ -1,6 +1,6 @@
 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
-\chapter{\tr{Programming basics}{Grundlagen der Programmierung in \matlab}}
+\chapter{\tr{Programming basics}{Programmierung in \matlab}}
 
 \section{Variablen und Datentypen}
 
@@ -117,7 +117,7 @@ wie eine einzelne Variable gel\"oscht wird.
 \subsection{Datentypen}
 
 Der Datentyp bestimmt, wie die im Speicher abgelegten Bitmuster
-interpretiert werden. Die Wichtigsten Datentpyen sind folgende:
+interpretiert werden. Die wichtigsten Datentpyen sind folgende:
 
 \begin{itemize}
 \item \textit{integer} - Ganze Zahlen. Hier gibt es mehrere
@@ -134,7 +134,7 @@ unterschiedlichem Speicherbedarf und Wertebreich.
 
 \begin{table}[]
 \centering
-\caption{Gel\"aufige Datentypen und ihr Wertebereich.}
+\caption{Grundlegende Datentypen und ihr Wertebereich.}
 \label{dtypestab}
 \begin{tabular}{llcl}
 \hline
@@ -742,10 +742,11 @@ ans =
 
 
 \section{Graphische Darstellung von Daten}
-
+%%% Wuerde ich als eigenes Kapitel machen! JB
+%%% In einem separaten Verzeichnis...
 
 \begin{figure}
-  \includegraphics[width=0.9\columnwidth]{./images/convincing}
+  \includegraphics[width=0.9\columnwidth]{convincing}
   \caption{Die Folgen schlecht annotierter
     Plots. \url{www.xkcd.com}} \label{xkcdplotting}
 \end{figure}

scientificcomputing-script.tex

@@ -1,4 +1,4 @@
-\documentclass[12pt]{report}
+\documentclass[12pt]{book}
 
 \input{header}
 
@@ -12,10 +12,25 @@
 
 \tableofcontents
 
+%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
+\part{Grundlagen des Programmierens}
+
 \graphicspath{{programming/lectures/}{programming/lectures/images/}}
 \lstset{inputpath=programming/code}
 \include{programming/lectures/programming}
 
+\chapter{Graphische Darstellung}
+
+\graphicspath{{designpattern/lecture}{designpattern/lecture/figures}}
+\lstset{inputpath=designpattern/code/}
+\include{designpattern/lecture/designpattern}
+
+\chapter{Cheat-Sheet}
+
+
+%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
+\part{Grundlagen der Datenanalyse}
+
 \graphicspath{{statistics/lecture/}{statistics/lecture/figures/}}
 \lstset{inputpath=statistics/code}
 \include{statistics/lecture/statistics}
@@ -26,7 +41,7 @@
 
 \graphicspath{{regression/lecture/}{regression/lecture/figures/}}
 \lstset{inputpath=regression/code}
-%\include{regression/lecture/linear_regression}
+\include{regression/lecture/regression}
 
 \graphicspath{{likelihood/lecture/}{likelihood/lecture/figures/}}
 \lstset{inputpath=likelihood/code}
@@ -41,8 +56,4 @@
 \lstset{inputpath=spike_trains/code/}
 \include{spike_trains/lecture/psth_sta}
 
-\graphicspath{{designpattern/lecture}{designpattern/lecture/figures}}
-\lstset{inputpath=designpattern/code/}
-\include{designpattern/lecture/designpattern}
-
 \end{document}

statistics/lecture/statistics.tex

@@ -29,7 +29,7 @@ der Daten eingesetzt:
     unimodalen Normalverteilung sind Median, Mittelwert und Modus
     identisch.  Rechts: bei unsymmetrischen Verteilungen sind die drei
     Gr\"o{\ss}en nicht mehr identisch. Der Mittelwert wird am
-    st\"arksten von einem starken Schw\"anz der Verteilung
+    st\"arksten von einem starken Schwanz der Verteilung
     herausgezogen. Der Median ist dagegen robuster, aber trotzdem
     nicht unbedingt identsich mit dem Modus.}
 \end{figure}