Artificial Intelligence in Human-Water Systems ProjectModulbeschreibung #51178 / Version 1
- 6 LP
- Portfolioprüfung
- Benotet
- Wintersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v2)
| Modul / Version | #51178 / #1 |
|---|---|
| Gültigkeit | WiSe 2025/26 – WiSe 2025/26 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Cominola, Andrea |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät V |
|---|---|
| Institut | Institut für Strömungsmechanik und Technische Akustik |
| Fachgebiet | 35312000 FG Smart Water Networks (SWN) |
Kontakt
| Sekretariat | FSD |
|---|---|
| Ansprechpartner*in | Buch, Anna |
| E-Mail-Adresse | anna.buch@tu-berlin.de |
| Webseite | https://www.tu.berlin/en/swn |
Lernergebnisse
In diesem Blockkurs lernen die Studierenden gängige Methoden und Konzepte des maschinellen Lernens (ML) im Bereich Mensch-Wasser-Systeme kennen. Der Schwerpunkt des Kurses liegt hauptsächlich auf der Anwendung von Modellen und Methoden für die georäumliche und räumlich-zeitliche Analyse, während die grundlegenden Prinzipien zu Beginn jeder Sitzung kurz behandelt werden. Darüber hinaus lernen die Studierenden die Grundlagen des Deep Learning (DL) kennen, veranschaulicht anhand von Beispielen aktueller DL-Techniken und deren Anwendung im Bereich Mensch-Wasser-Systeme.
Da der Kurs sich hauptsächlich auf die Anwendung künstlicher Intelligenz (KI) konzentriert, umfasst er auch interaktive Sitzungen zu den Prinzipien der Softwareentwicklung, einschließlich der grundlegenden und fortgeschrittenen Verwendung von Versionskontrolle wie automatisierten Tests über kontinuierliche Integration.
Der Blockkurs ist in zwei Teile gegliedert: Der erste Teil umfasst tägliche Sitzungen und praktische Übungen über zwei Wochen, gefolgt von einem zweiten Teil, der eine kurze Präsentation, ein abschließendes KI-Programmierprojekt und die Erstellung eines entsprechenden schriftlichen Berichts umfasst.
Am Ende der Präsenzveranstaltungen (erster Teil des Kurses) haben die Studierenden ein umfassendes Verständnis gängiger ML- und DL-Modelle und -Techniken erworben, das es ihnen ermöglicht, ihre Kenntnisse im Bereich KI durch ein abschließendes Programmierprojekt (zweiter Teil des Kurses) weiter zu vertiefen. Im Rahmen dieses Abschlussprojekts entwickeln die Studierenden fortgeschrittene Kenntnisse über ein spezifisches Modell und Anwendungsgebiet ihres eigenen Interesses. Sie fassen ihre Ergebnisse in einem entsprechenden Bericht zusammen. Zuvor stellen die Studierenden ihre Projektidee in einer Präsentation am letzten Tag der Präsenzveranstaltungen vor. Diese Präsentation basiert auf einer gründlichen Nachbearbeitung der Kursunterlagen, einschließlich der empfohlenen Literatur, und eigener Literaturrecherche, sowie darauf aufbauend einer fundierten Auswahl von Methoden und Modellen für ihr Projekt.
Nach Abschluss des gesamten Kurses sind die Studierenden in der Lage, ihr eigenes KI-Projekt durchzuführen, einschließlich (a) Datenaufbereitung, (b) Methodenauswahl, (c) Training und (d) Bewertung.
Da der Kurs sich hauptsächlich auf die Anwendung künstlicher Intelligenz (KI) konzentriert, umfasst er auch interaktive Sitzungen zu den Prinzipien der Softwareentwicklung, einschließlich der grundlegenden und fortgeschrittenen Verwendung von Versionskontrolle wie automatisierten Tests über kontinuierliche Integration.
Der Blockkurs ist in zwei Teile gegliedert: Der erste Teil umfasst tägliche Sitzungen und praktische Übungen über zwei Wochen, gefolgt von einem zweiten Teil, der eine kurze Präsentation, ein abschließendes KI-Programmierprojekt und die Erstellung eines entsprechenden schriftlichen Berichts umfasst.
Am Ende der Präsenzveranstaltungen (erster Teil des Kurses) haben die Studierenden ein umfassendes Verständnis gängiger ML- und DL-Modelle und -Techniken erworben, das es ihnen ermöglicht, ihre Kenntnisse im Bereich KI durch ein abschließendes Programmierprojekt (zweiter Teil des Kurses) weiter zu vertiefen. Im Rahmen dieses Abschlussprojekts entwickeln die Studierenden fortgeschrittene Kenntnisse über ein spezifisches Modell und Anwendungsgebiet ihres eigenen Interesses. Sie fassen ihre Ergebnisse in einem entsprechenden Bericht zusammen. Zuvor stellen die Studierenden ihre Projektidee in einer Präsentation am letzten Tag der Präsenzveranstaltungen vor. Diese Präsentation basiert auf einer gründlichen Nachbearbeitung der Kursunterlagen, einschließlich der empfohlenen Literatur, und eigener Literaturrecherche, sowie darauf aufbauend einer fundierten Auswahl von Methoden und Modellen für ihr Projekt.
Nach Abschluss des gesamten Kurses sind die Studierenden in der Lage, ihr eigenes KI-Projekt durchzuführen, einschließlich (a) Datenaufbereitung, (b) Methodenauswahl, (c) Training und (d) Bewertung.
Lehrinhalte
In den letzten Jahren hat die zunehmende Datenmenge dazu geführt, dass der Einsatz von KI-Methoden in Umweltanwendungen neue Erkenntnisse gebracht hat. Dieser Kurs befasst sich mit diesem Thema, indem er sich auf die komplexen georäumlichen Beziehungen zwischen Menschen und hydrologischen Systemen konzentriert. Beispiele hierfür sind KI-basierte Risikobewertungen von Naturgefahren, Hochwassererkennung mithilfe von Fernerkundungsdaten, Vorhersagen von hydrologischen Extremereignissen oder die Analyse textbasierter Daten.
Themen, die im Kurs behandelt werden (unter anderem):
- Gängige Klassifizierungsmodelle
- Regularisierte lineare Regression
- Clustering-Algorithmen
- Ensemble-Lernverfahren
- Bayes'sche Netzwerke als Beispiel für probabilistische, erklärbare KI
- Einführung in neuronale Netze und Deep Learning
- Interaktive Sitzungen zur Verwendung von Versionskontrollsystemen für eine effiziente (Mehr-Personen-) Softwareentwicklung
Weitere Themen:
- Evaluierungs- und Fehlermetriken
- Hyperparameter-Tuning
- Überanpassung und Regularisierung
- Merkmalsauswahl
- Best Practices in Softwareentwicklung
- Beispiele für effiziente (geografische) Datenverarbeitung und Modelltests werden im Lab vorgestellt
Themen, die im Kurs behandelt werden (unter anderem):
- Gängige Klassifizierungsmodelle
- Regularisierte lineare Regression
- Clustering-Algorithmen
- Ensemble-Lernverfahren
- Bayes'sche Netzwerke als Beispiel für probabilistische, erklärbare KI
- Einführung in neuronale Netze und Deep Learning
- Interaktive Sitzungen zur Verwendung von Versionskontrollsystemen für eine effiziente (Mehr-Personen-) Softwareentwicklung
Weitere Themen:
- Evaluierungs- und Fehlermetriken
- Hyperparameter-Tuning
- Überanpassung und Regularisierung
- Merkmalsauswahl
- Best Practices in Softwareentwicklung
- Beispiele für effiziente (geografische) Datenverarbeitung und Modelltests werden im Lab vorgestellt
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Artificial Intelligence in Human-Water Systems | Projekt | 51178 | Wintersemester | [en] | 4 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (1)
Artificial Intelligence in Human-Water Systems (Projekt) 1
- Artificial Intelligence in Human-Water Systems (Projekt) Block course 51178
Arbeitsaufwand und Leistungspunkte
Artificial Intelligence in Human-Water Systems (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 10 | 7 h | 70 h |
| Präsentation und deren Vorbereitung | 1 | 15 h | 15 h |
| Abschlussprojekt | 1 | 80 h | 80 h |
| Vor-/Nachbereitung | 10 | 1,5 h | 15 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Der Blockkurs besteht aus einer Vorlesung und einem praktischen Laborteil, die eng miteinander verbunden sind. Des Weiteren findet ein Abschlussprojekt statt, das eine Präsentation zu einem von den Studierenden selbst gewählten Anwendungsthema im Bereich Mensch-Wasser-Systeme, ein umfassendes Programmierprojekt zur Umsetzung dieser Idee sowie einen entsprechenden Abschlussbericht umfasst.
Wichtiger Bestandteil zur Entwicklung der Projektidee und deren Umsetzung ist eine gründliche Nachbereitung der Kursmaterialien, einschließlich der empfohlenen Literature, und eine eigene Literaturrecherche seitens der Studierenden. So können die Studierenden eine fundierte Methoden- und Modellauswahl treffen und eventuelle Herausforderungen frühzeitig erkennen und selbstständig lösen.
Die Studierenden haben ausreichend Zeit, um das Abschlussprojekt während sowie nach Ende der Präsenzveranstaltungen auszuarbeiten. Während das Programmierprojekt und der Bericht bis zum Ende des Semesters abgegeben werden können, findet die Präsentation am letzten Tag der Präsenzveranstaltungen statt. In dieser 15-minütigen Präsentation stellen die Studierenden ihre Projektidee vor. Sie umfasst eine kurze Übersicht des Projektthemas, einen Abschnitt zum Stand der Technik, einen Überblick über die präferierten Modelle und Techniken sowie die zu erwartenden Herausforderungen.
Basierend auf ihrer Projektidee erarbeiten die Studierenden ein KI-Programmierprojekt, für das sie zwei oder mehr Machine- oder Deep-Learning-Modelle ihrer Wahl nutzen und anschließend ihre Ansätze und Ergebnisse in einem Bericht festhalten.
Die Studierenden können Gruppen von bis zu drei Personen bilden um das Abschlussprojekt durchzuführen, dies ist jedoch optional. Bei Gruppenarbeit wird erwartet, dass die Gruppe eine größere Anzahl von KI-bezogenen Methoden und Techniken zur Lösung des Projekts anwendet. Die Abschlussberichte sollten mindestens folgende Anzahl an Wörtern umfassen:
• bei einem Einzelprojekt: mindestens 2000 Wörter
• bei einer Gruppe von zwei Studierenden: mindestens 3000 Wörter
• bei einer Gruppe von drei Studierenden: mindestens 4000 Wörter
Informationen zum endgültigen Zeitplan, zu den Vorlesungsräumen und zum Zugang zu den Kurs- und Übungsmaterialien werden den angemeldeten Studierenden über die E-Learning-Plattform ISIS mitgeteilt.
Wichtiger Bestandteil zur Entwicklung der Projektidee und deren Umsetzung ist eine gründliche Nachbereitung der Kursmaterialien, einschließlich der empfohlenen Literature, und eine eigene Literaturrecherche seitens der Studierenden. So können die Studierenden eine fundierte Methoden- und Modellauswahl treffen und eventuelle Herausforderungen frühzeitig erkennen und selbstständig lösen.
Die Studierenden haben ausreichend Zeit, um das Abschlussprojekt während sowie nach Ende der Präsenzveranstaltungen auszuarbeiten. Während das Programmierprojekt und der Bericht bis zum Ende des Semesters abgegeben werden können, findet die Präsentation am letzten Tag der Präsenzveranstaltungen statt. In dieser 15-minütigen Präsentation stellen die Studierenden ihre Projektidee vor. Sie umfasst eine kurze Übersicht des Projektthemas, einen Abschnitt zum Stand der Technik, einen Überblick über die präferierten Modelle und Techniken sowie die zu erwartenden Herausforderungen.
Basierend auf ihrer Projektidee erarbeiten die Studierenden ein KI-Programmierprojekt, für das sie zwei oder mehr Machine- oder Deep-Learning-Modelle ihrer Wahl nutzen und anschließend ihre Ansätze und Ergebnisse in einem Bericht festhalten.
Die Studierenden können Gruppen von bis zu drei Personen bilden um das Abschlussprojekt durchzuführen, dies ist jedoch optional. Bei Gruppenarbeit wird erwartet, dass die Gruppe eine größere Anzahl von KI-bezogenen Methoden und Techniken zur Lösung des Projekts anwendet. Die Abschlussberichte sollten mindestens folgende Anzahl an Wörtern umfassen:
• bei einem Einzelprojekt: mindestens 2000 Wörter
• bei einer Gruppe von zwei Studierenden: mindestens 3000 Wörter
• bei einer Gruppe von drei Studierenden: mindestens 4000 Wörter
Informationen zum endgültigen Zeitplan, zu den Vorlesungsräumen und zum Zugang zu den Kurs- und Übungsmaterialien werden den angemeldeten Studierenden über die E-Learning-Plattform ISIS mitgeteilt.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Studierende anderer Studiengänge können an diesem Kurs teilnehmen.
Voraussetzung ist, dass die Studierenden mindestens über grundlegende bis mittlere Programmierkenntnisse in Python verfügen und mit Tools zum Paketmanagement (mindestens Anaconda oder Mamba) vertraut sind. Grundkenntnisse in Versionskontrollsystemen wie GitLab oder GitHub sind von Vorteil, aber nicht zwingend erforderlich.
Es ist empfehlenswert, aber nicht Voraussetzung, dass die Studierenden über fundierte Kenntnisse in gängigen Statistik- und Datenanalysetechniken verfügen.
Voraussetzung ist, dass die Studierenden mindestens über grundlegende bis mittlere Programmierkenntnisse in Python verfügen und mit Tools zum Paketmanagement (mindestens Anaconda oder Mamba) vertraut sind. Grundkenntnisse in Versionskontrollsystemen wie GitLab oder GitHub sind von Vorteil, aber nicht zwingend erforderlich.
Es ist empfehlenswert, aber nicht Voraussetzung, dass die Studierenden über fundierte Kenntnisse in gängigen Statistik- und Datenanalysetechniken verfügen.
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 |
|---|---|---|---|
| Präsentation | 15 | mündlich | 15 Minuten (inkl. Diskussionsrunde) + Vorbereitungszeit (max. 2 Tage) |
| Abschlussbericht | 85 | schriftlich | Bericht (je nach Gruppengröße: min. 2000 - 4000 Wörter) + Programmierprojekt |
Prüfungsbeschreibung (Abschluss des Moduls)
Nur Studierende, die den Blockkurs erfolgreich abgeschlossen haben, erhalten eine Abschlussnote.
Diese Note basiert auf einer kurzen Präsentation und einem schriftlichen Bericht. Die kurze Präsentation der Projektidee und des Arbeitsablaufs macht 15 % der Endnote aus und wird am Ende der Präsenzveranstaltungen gehalten. Der schriftliche Bericht macht 85 % der Endnote aus und basiert hauptsächlich auf dem KI-Programmierprojekt, das indirekt durch den Bericht bewertet wird.
Diese Note basiert auf einer kurzen Präsentation und einem schriftlichen Bericht. Die kurze Präsentation der Projektidee und des Arbeitsablaufs macht 15 % der Endnote aus und wird am Ende der Präsenzveranstaltungen gehalten. Der schriftliche Bericht macht 85 % der Endnote aus und basiert hauptsächlich auf dem KI-Programmierprojekt, das indirekt durch den Bericht bewertet wird.
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 20.
Anmeldeformalitäten
Kursanmeldung via Prüfungsamt.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
verfügbar
Empfohlene Literatur
- Hands-on Machine Learning with Scikit-Learn, Keras and TensorFlow by A. Géron - https://github.com/ageron/handson-ml2
- Machine Learning in the Geosciences by GeoSMART, University of Washington, Seattle - https://geo-smart.github.io/mlgeo-book/Chapter1-GettingStarted/1.2_jupyter_environment.html
- Feature Engineering for Machine Learning by A. Zheng and A. Casar - https://api.pageplace.de/preview/DT0400.9781491953211_A34276521/preview-9781491953211_A34276521.pdf
- Probabilistic Programming & Bayesian Methods for Hackers by C. Davidson-Pilon - https://www.oreilly.com/library/view/bayesian-methods-for/9780133902914/
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Keine Angabe