Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Artificial Intelligence in Human-Water Systems ProjectModulbeschreibung #51178 / Version 2

← Zur Modulseite English version
Modul / Version#51178 / #2
GültigkeitSeit SoSe 2026
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
Modulverantwortliche*rCominola, Andrea
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät V
InstitutInstitut für Strömungsmechanik und Technische Akustik
Fachgebiet35312000 FG Smart Water Networks (SWN)

Kontakt

SekretariatFSD
Ansprechpartner*inBuch, Anna
E-Mail-Adresseanna.buch@tu-berlin.de
Webseitehttps://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.

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

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Artificial Intelligence in Human-Water SystemsProjekt51178 Wintersemester[en]4 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

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Artificial Intelligence in Human-Water Systems (Projekt)

AufwandbeschreibungMultiplikatorStundenGesamt
Abschlussprojekt180 h80 h
Präsentation und deren Vorbereitung115 h15 h
Präsenzzeit107 h70 h
Vor-/Nachbereitung101,5 h15 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.

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.

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
Presentation15mündlich15 Minuten (inkl. Diskussionsrunde) + Vorbereitungszeit (max. 2 Tage)
Written report85schriftlichBericht (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.

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 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

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOSemesterStudiengangsbereich
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018 (17.01.2018)
SoSe 20264. Profilbereich › 4.1 Profilbereich: Prozess- und Systemtechnik
WiSe 2026/274. Profilbereich › 4.1 Profilbereich: Prozess- und Systemtechnik
Environmental Planning
StuPO 2017 (13.12.2017)
SoSe 2026Wahlpflichtbereich 2: Ergänzungsbereich
WiSe 2026/27Wahlpflichtbereich 2: Ergänzungsbereich
Maschinenbau
StuPO 2017
SoSe 2026Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
WiSe 2026/27Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
Patentingenieurwesen
StuPO 2015
SoSe 20262.2. Ingenieurwissenschaftliche Profilmodule › 2.2.2. Informationstechnische und rechnergestützte Modellierung
WiSe 2026/272.2. Ingenieurwissenschaftliche Profilmodule › 2.2.2. Informationstechnische und rechnergestützte Modellierung
Physikalische Ingenieurwissenschaft
StuPO 2007 (19.12.2007)
SoSe 20262.1 Numerik und Simulation › 2.1b Ergänzungsbereich
Physikalische Ingenieurwissenschaft
StuPO 2020
SoSe 20262.1 Numerik und Simulation › 2.1b Ergänzungsbereich
WiSe 2026/272.1 Numerik und Simulation › 2.1b Ergänzungsbereich

Sonstiges

Keine Angabe