Practical application of AI in climate-induced land use change: an introductionModule description #61537 / Version 1
- 6 CP
- Homework
- Graded
- Winter semester
- German
This module description is not valid in the current semester (Winter semester 2026/27).
Current version (v2)
| Module / Version | #61537 / #1 |
|---|---|
| Validity | Summer semester 2023 – Winter semester 2023/24 |
| Available language(s) | German |
| Credit points | 6 |
| Person responsible for the module | Rudolph, Annette |
| Grading | Graded |
| Exam format | Homework |
| Language(s) of instruction | German |
Affiliation
| Faculty | Fakultät VI |
|---|---|
| Institute | Institut für Landschaftsarchitektur und Umweltplanung (ILaUP) |
| Academic chair | 36352400 FG Künstliche Intelligenz und Landnutzungswandel (Artificial Intelligence and Land Use Change) |
Contact
| Office | EB 5 |
|---|---|
| Contact person | Rudolph, Annette |
| E-mail address | annette.rudolph@tu-berlin.de |
| Website | Not specified |
Learning outcomes
Nach erfolgreichem Abschluss des Moduls können die Teilnehmenden verschiedene Methoden aus dem Bereich des Maschinellen Lernens anwenden, und große, studienrelevante Datenmengen mithilfe der Programmiersprache Python auswerten.
Content
Die Veranstaltung bildet die Grundlage für das systematische Anwenden datenbasierter Methoden auf Forschungsfragen im Bereich der Ökologie, Umweltplanung, Landnutzung und verwandten Themengebieten.
In der Lehrveranstaltung wird zunächst eine kurze Einführung in die Programmiersprache Python gegeben, mit der im weiteren Verlauf die Methoden des maschinellen Lernens weiter vertieft werden. Hierzu gehört unter anderem die Diskussion der Algorithmen perceptron, SVM (support vector machine), decision trees, sowie der Einstieg ins deep learning.
Die Anwendbarkeit, Vor- und Nachteile der in diesem Kurs diskutierten Algorithmen werden mithilfe von Jupyter Notebooks in der Vorlesung erläutert, wo sie direkt umgesetzt werden können. In begleitenden Übungen werden Anwendungsbeispiele vertieft. In einer Hausarbeit werden schließlich aktuelle Fragestellungen aus den Bereichen der Ökologie, Umweltplanung, Naturschutz, Landnutzung, Treibhausgas-Emissionen und Klimaschutz selbstständig ausgewertet.
In der Lehrveranstaltung wird zunächst eine kurze Einführung in die Programmiersprache Python gegeben, mit der im weiteren Verlauf die Methoden des maschinellen Lernens weiter vertieft werden. Hierzu gehört unter anderem die Diskussion der Algorithmen perceptron, SVM (support vector machine), decision trees, sowie der Einstieg ins deep learning.
Die Anwendbarkeit, Vor- und Nachteile der in diesem Kurs diskutierten Algorithmen werden mithilfe von Jupyter Notebooks in der Vorlesung erläutert, wo sie direkt umgesetzt werden können. In begleitenden Übungen werden Anwendungsbeispiele vertieft. In einer Hausarbeit werden schließlich aktuelle Fragestellungen aus den Bereichen der Ökologie, Umweltplanung, Naturschutz, Landnutzung, Treibhausgas-Emissionen und Klimaschutz selbstständig ausgewertet.
Module components
Compulsory area
The following courses are mandatory for this module:
Workload and credit points
Einführung in die künstliche Intelligenz in der Landnutzungsänderung (Exercise)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| 0 h | |||
Einführung in die künstliche Intelligenz in der Landnutzungsänderung (Lecture)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Attendance | 15 | 2 h | 30 h |
| Pre/post processing | 15 | 10 h | 150 h |
| 180 h | |||
The workload of the module adds up to 180 hours. The module therefore comprises 6 credit points.
Description of teaching and learning methods
Das Modul besteht aus einer Vorlesung und einer begleitenden Übung, welche jeweils wöchentlich angeboten werden. In der Vorlesung werden die theoretischen Konzepte mit Anwendungsbeispielen mithilfe von Jupyter Notebooks erläutert. In der Übung werden die Anwendungen weiter vertieft.
Im Rahmen des Moduls wird das eigenständige Verarbeiten und Auswerten von umweltbezogenen Daten mithilfe der Programmiersprache Python erlernt. In einer Hausarbeit werden die erworbenen Fähigkeiten anhand eines Anwendungsbeispiels aus den Bereichen der Ökologie, Umweltplanung, Naturschutz, Landnutzung, Treibhausgas-Emissionen und Klimaschutz eigenständig angewendet.
Im Rahmen des Moduls wird das eigenständige Verarbeiten und Auswerten von umweltbezogenen Daten mithilfe der Programmiersprache Python erlernt. In einer Hausarbeit werden die erworbenen Fähigkeiten anhand eines Anwendungsbeispiels aus den Bereichen der Ökologie, Umweltplanung, Naturschutz, Landnutzung, Treibhausgas-Emissionen und Klimaschutz eigenständig angewendet.
Requirements for participation and examination
Desirable prerequisites for participation in the courses:
Statistikkenntnisse und Programmierkenntnisse sind von Vorteil, aber nicht notwendig.
Mandatory requirements for the module examination registration:
This module has no examination requirements.
Completion of the module
| Grading | Graded |
|---|---|
| Exam format | Homework |
| Language | German |
| Duration/Extent | Auf ca. 10 Seiten wird ein Algorithmus auf Daten angewendet, ausgewertet und diskutiert. |
Duration of the module
The following number of semesters is estimated for taking and completing the module: 1 semester(s).
This module can be started in the following semesters: Winter semester.
Maximum number of participants
The maximum capacity of participants is 30.
Registration procedures
Anmeldungen bitte per email an annette.rudolph@tu-berlin.de
Recommended reading, lecture notes
Lecture notes
unavailable
Electronic lecture notes
unavailable
Recommended literature
No recommended literature given
Assigned programs
This module is not used in any program.
Miscellaneous
Not specified