Introduction to artificial intelligence in climate and environmentModule description #61537 / Version 2
- 6 CP
- Homework
- Graded
- Winter and summer semester
- German
| Module / Version | #61537 / #2 |
|---|---|
| Validity | Since Summer semester 2024 |
| 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 in den Bereichen 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 selbstständig Daten aus den Bereichen der Ökologie, Umweltplanung, Naturschutz, Landnutzung, Treibhausgas-Emissionen und Klimaschutz 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 selbstständig Daten aus den Bereichen der Ökologie, Umweltplanung, Naturschutz, Landnutzung, Treibhausgas-Emissionen und Klimaschutz ausgewertet.
Module components
Compulsory area
The following courses are mandatory for this module:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Einführung in die Künstliche Intelligenz in Klima und Umwelt | Integrated course | Winter and summer semester | [de] | 4 | WS 2026/27 (1) ISIS |
Courses in the course catalog
Courses created from the teaching units of this module.
Winter semester 2026/27 (1)
Einführung in die Künstliche Intelligenz in Klima und Umwelt (Integrated course) 1
Workload and credit points
Einführung in die Künstliche Intelligenz in Klima und Umwelt (Integrated course)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Attendance | 15 | 4 h | 60 h |
| Pre/post processing | 15 | 8 h | 120 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 integrierten Lehrveranstaltung, welche jeweils wöchentlich angeboten wird. In der Lehrveranstaltung werden die theoretischen Konzepte mit Anwendungsbeispielen mithilfe von Jupyter Notebooks erläutert, wobei Gruppenarbeiten eine zentrale Rolle spielen. Die Anwendungen werden 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. Für einen erfolgreichen Abschluss des Models, ist die aktive und regelmäßige Teilnahme an den Lehrveranstaltungen erforderlich, sowie das Verfassen einer Hausarbeit.
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 and summer semester.
Maximum number of participants
The maximum capacity of participants is 30.
Registration procedures
Anmeldungen bitte über ISIS.
Recommended reading, lecture notes
Lecture notes
unavailable
Electronic lecture notes
unavailable
Recommended literature
No recommended literature given
Assigned programs
This module version is used in the following programs:
| Program / program version | Semester(s) | Curriculum component |
|---|---|---|
| Ecology and Environmental Planning Ecology and Environmental Planning (M. Sc.) - StuPO 2016 | SS 2025 | Wahlpflichtbereich |
| WS 2025/26 | Wahlpflichtbereich | |
| SS 2026 | Wahlpflichtbereich | |
| WS 2026/27 | Wahlpflichtbereich | |
| Ecology and Environmental Planning Ecology and Environmental Planning (B. Sc.) - StuPO 2019 (20.02.2019) | SS 2025 | Wahlpflichtbereich Profilierung Ökologie und Umweltplanung › Profilierung Umweltplanung |
| WS 2025/26 | Wahlpflichtbereich Profilierung Ökologie und Umweltplanung › Profilierung Umweltplanung | |
| SS 2026 | Wahlpflichtbereich Profilierung Ökologie und Umweltplanung › Profilierung Umweltplanung | |
| WS 2026/27 | Wahlpflichtbereich Profilierung Ökologie und Umweltplanung › Profilierung Umweltplanung | |
| Economics and Sustainability StuPO 2024 | WS 2026/27 | Wahlpflichtbereich › Nachhaltigkeit und Technik |
| Environmental Planning Environmental Planning (M. Sc.) - StuPO 2017 (13.12.2017) | SS 2025 | Wahlpflichtbereich 2: Ergänzungsbereich |
| WS 2025/26 | Wahlpflichtbereich 2: Ergänzungsbereich | |
| SS 2026 | Wahlpflichtbereich 2: Ergänzungsbereich | |
| WS 2026/27 | Wahlpflichtbereich 2: Ergänzungsbereich |
Miscellaneous
Die Veranstaltung findet hybrid statt.