Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Advanced Python Programming for Deep Learning in Earth ObservationModulbeschreibung #41199 / Version 2

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v3)
Modul / Version#41199 / #2
GültigkeitSoSe 2025 – SoSe 2026
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte9
Modulverantwortliche*rDemir, Begüm
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Technische Informatik und Mikroelektronik
Fachgebiet34342200 FG Remote Sensing Image Analysis (RSiM)

Kontakt

SekretariatFR 6-2
Ansprechpartner*inKlotz, Jonas
E-Mail-Adressej.klotz@tu-berlin.de
Webseitehttps://rsim.berlin/

Lernergebnisse

Die Teilnehmenden dieses Kurses erwerben fortgeschrittene Kenntnisse in der Python-Programmierung auf dem Gebiet für Deep Learning in der Erdbeobachtung und Fernerkundung. Darüber hinaus lernen die Teilnehmenden, wie sie Herausforderungen bei der Verarbeitung von Fernerkundungsdaten bewältigen können, und erwerben praktische Fähigkeiten beim Training aktueller Deep Learning Methoden. Nach Abschluss dieses Kurses werden die Teilnehmenden in der Lage sein, die notwendige Datenpipeline zu implementieren, um tiefe neuronale Netze auf großen Fernerkundungsdatensätzen effizient zu trainieren.

Lehrinhalte

Ziel des Kurses ist es, praktisches Wissen für die auf Deep Learning basierende Verarbeitung und Analyse von Fernerkundungsbildern für die Erdbeobachtung zu vermitteln. Der Kurs beginnt mit einer Einführung in die einzelnen technischen Schritte im Zusammenhang mit der Erstellung eines Datensatzes und dessen effizienter Vorverarbeitung. Anschließend wird eine Trainingspipeline implementiert und eine Vielzahl von Deep Learning Experimenten durchgeführt. Neben modernen Deep Learning Methoden und Architekturen werden relevante Daten- und Speicherformate vorgestellt, wobei ein besonderes Augenmerk auf Effizienz, Flexibilität und nahtlose Durchführung von Experimenten in Python gelegt wird, um eine effiziente, groß angelegte Fernerkundungsbildanalyse mit Deep Learning zu ermöglichen. Verschiedene Praktische Anwendungen werden während des gesamten Kurses behandelt.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Advanced Python Programming for Deep Learning in Remote Sensing (APP4RS)Praktikum41199 Winter- und Sommersemester[en]6 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (1)

Advanced Python Programming for Deep Learning in Remote Sensing (APP4RS) (Praktikum) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Advanced Python Programming for Deep Learning in Remote Sensing (APP4RS) (Praktikum)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit156 h90 h
Vor-/Nachbereitung1512 h180 h
270 h

Der Aufwand des Moduls summiert sich zu 270 Stunden. Damit umfasst das Modul 9 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Dieses Modul besteht aus 1) Frontalunterricht (in dem die Dozenten die Methoden vorstellen und den theoretischen Hintergrund vermitteln) sowie 2) geführten und selbst organisierten Programmierübungen.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

• Solide Python-Programmierkenntnisse sind erforderlich.
• Gute Kenntnisse im Bereich des maschinellen Lernens sind erforderlich (z. B. durch ein Modul wie Machine Learning I/II, Deep Learning I/II, Machine Intelligence I/II oder Äquivalente).
• Spezifische Kenntnisse in Fernerkundung/Erdbeobachtung sind nicht erforderlich, können aber hilfreich sein (z. B. durch das Modul “Image Processing and Learning for Earth Observation”, früher “Image Processing for Remote Sensing”).
• Vertrautheit mit Python-Softwarebibliotheken, die mit Tensoren (z.B. Numpy), Tabellendaten (z.B. Pandas, DuckDB) und Deep Learning (z.B. PyTorch) arbeiten, ist von Vorteil.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheEnglisch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
(Ergebnisprüfung) Code/Report 1. Meilenstein25schriftlich~5-10 Seiten
(Ergebnisprüfung) Code/Report 2. Meilenstein25schriftlich~5-10 Seiten
(Ergebnisprüfung) Code/Report 3. Meilenstein25schriftlich~5-10 Seiten
(Ergebnisprüfung) Mündliche Präsentation25mündlichca. 20 Minuten

Prüfungsbeschreibung (Abschluss des Moduls)

Die Gesamtnote des Moduls setzt sich aus den Ergebnissen der Kursarbeit („Portfolio-Prüfung“) zusammen. Es gibt vier Portfolio-Bewertungen: drei Meilensteine und eine mündliche Präsentation. Jede Meilensteinprüfung umfasst die Einreichung des entwickelten Codes und eines Berichts. Die Richtlinien für die Einreichung des Berichts sind auf der Website der Vorlesung verfügbar. Jeder Meilenstein wird mit 25 Punkten bewertet. Die vierte Bewertung ist eine mündliche Präsentation über eines der vorgestellten Themen (25 Punkte).

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 24.

Anmeldeformalitäten

Die Zahl der Teilnehmer an der Vorlesung ist begrenzt. Bitte schauen Sie vor Beginn der Vorlesungszeit unter https://rsim.berlin/courses nach, wie Sie sich anmelden können.

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

nicht verfügbar

Empfohlene Literatur

Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOSemesterStudiengangsbereich
Computer Engineering
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Informationssysteme / Information Systems
WiSe 2025/26Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems
SoSe 2026Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems
Computer Science (Informatik)
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
WiSe 2025/26Studiengebiete › Data and Software Engineering / Data and Software Engineering
SoSe 2026Studiengebiete › Kognitive Systeme / Cognitive Systems
Elektrotechnik
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
WiSe 2025/26Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
SoSe 2026Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
Information Systems Management (Wirtschaftsinformatik)
StuPO 2017
SoSe 2025Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems
WiSe 2025/26Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems
SoSe 2026Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering

Sonstiges

Keine Angabe