Advanced Python Programming for Deep Learning in Earth ObservationModulbeschreibung #41199 / Version 2
- 9 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v3)
| Modul / Version | #41199 / #2 |
|---|---|
| Gültigkeit | SoSe 2025 – SoSe 2026 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 9 |
| Modulverantwortliche*r | Demir, Begüm |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Technische Informatik und Mikroelektronik |
| Fachgebiet | 34342200 FG Remote Sensing Image Analysis (RSiM) |
Kontakt
| Sekretariat | FR 6-2 |
|---|---|
| Ansprechpartner*in | Klotz, Jonas |
| E-Mail-Adresse | j.klotz@tu-berlin.de |
| Webseite | https://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:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Advanced Python Programming for Deep Learning in Remote Sensing (APP4RS) | Praktikum | 41199 | Winter- und Sommersemester | [en] | 6 | WiSe 2026/27 (1) 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
Arbeitsaufwand und Leistungspunkte
Advanced Python Programming for Deep Learning in Remote Sensing (APP4RS) (Praktikum)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 6 h | 90 h |
| Vor-/Nachbereitung | 15 | 12 h | 180 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.
• 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
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| (Ergebnisprüfung) Code/Report 1. Meilenstein | 25 | schriftlich | ~5-10 Seiten |
| (Ergebnisprüfung) Code/Report 2. Meilenstein | 25 | schriftlich | ~5-10 Seiten |
| (Ergebnisprüfung) Code/Report 3. Meilenstein | 25 | schriftlich | ~5-10 Seiten |
| (Ergebnisprüfung) Mündliche Präsentation | 25 | mündlich | ca. 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 / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Informationssysteme / Information Systems |
| WiSe 2025/26 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| SoSe 2026 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| Computer Science (Informatik) StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| WiSe 2025/26 | Studiengebiete › Data and Software Engineering / Data and Software Engineering | |
| SoSe 2026 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| Elektrotechnik StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | SoSe 2025 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems |
| WiSe 2025/26 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems | |
| SoSe 2026 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering |
Sonstiges
Keine Angabe