Geo Data ScienceModulbeschreibung #61433 / Version 1
- 6 LP
- Mündliche Prüfung
- Benotet
- Sommersemester
- Englisch
| Modul / Version | #61433 / #1 |
|---|---|
| Gültigkeit | Seit WiSe 2020/21 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Kada, Martin |
| Benotung | Benotet |
| Prüfungsform | Mündliche Prüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät VI |
|---|---|
| Institut | Institut für Geodäsie und Geoinformationstechnik (IGG) |
| Fachgebiet | 36331100 FG Methodik der Geoinformationstechnik |
Kontakt
| Sekretariat | H 12 |
|---|---|
| Ansprechpartner*in | Keine Angabe |
| E-Mail-Adresse | martin.kada@tu-berlin.de |
| Webseite | Keine Angabe |
Lernergebnisse
Students have a profound understanding of the scientific fields of Data Science, Big Data and Machine Learning in general and in the specific context of geographical data. They have acquired theoretical and practical knowledge in geo data management, manipulation, and visualization as well as familiarity with Big Data technologies. Students understand the mathematical background, the working principles, and applications of Machine Learning algorithms. They are able to transfer real-world problems from the geo-sciences into mathematical models, find and develop solution strategies, and implement them programmatically using Python in conjunction with the respective standard software libraries.
Lehrinhalte
Exploratory thematic and spatial data analysis (with Python), statistical analytics, correlation, data manipulation and cleaning, feature extraction from geographical data, supervised vs. unsupervised learning, linear and polynomial regression, regularized linear models, logistic and multinomial logistic regression, cost functions, model training and fine-tuning, gradient descent, learning curves, performance measures, support vector machines, decision trees, random forests, ensemble learning, dimensionality reduction, segmentation and clustering (k-means, hierarchical clustering, DBSCAN), privacy and ethics in data science, Python numerical, scientific, and machine learning libraries (e.g. NumPy, SciPy, pandas, GeoPandas, scikit-learn).
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
Arbeitsaufwand und Leistungspunkte
Geo Data Science (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Geo Data Science (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Lectures (45%), exercises (45%), and independent reading (10%).
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Profound knowledge of geographical data representations and linear algebra, basic knowledge and experience in programming with Python.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Mündliche Prüfung |
| Sprache | Englisch |
| Dauer/Umfang | 30 Minutes |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.
Maximale teilnehmende Personen
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
No information.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Civil Systems Engineering StuPO 2023 | SoSe 2025 | Wahlpflichtbereich Ingenieurspezifische Grundlagenerweiterung |
| WiSe 2025/26 | Wahlpflichtbereich Ingenieurspezifische Grundlagenerweiterung | |
| SoSe 2026 | Wahlpflichtbereich Ingenieurspezifische Grundlagenerweiterung | |
| WiSe 2026/27 | Wahlpflichtbereich Ingenieurspezifische Grundlagenerweiterung | |
| Environmental Planning StuPO 2017 (13.12.2017) | SoSe 2025 | Wahlpflichtbereich 2: Ergänzungsbereich |
| WiSe 2025/26 | Wahlpflichtbereich 2: Ergänzungsbereich | |
| SoSe 2026 | Wahlpflichtbereich 2: Ergänzungsbereich | |
| WiSe 2026/27 | Wahlpflichtbereich 2: Ergänzungsbereich | |
| Geodesy and Geoinformation Science StuPO 2007 (21.03.2007) | SoSe 2025 | 2.1 Major subject Geoinformation Technology › Major subject Geoinformation Technology |
| WiSe 2025/26 | 2.4 Major subject Computer Vision and Remote Sensing › Minor subject Geoinformation Technology | |
| SoSe 2026 | 2.4 Major subject Computer Vision and Remote Sensing › Minor subject Geoinformation Technology | |
| WiSe 2026/27 | 2.4 Major subject Computer Vision and Remote Sensing › Minor subject Geoinformation Technology | |
| Ökologie und Umweltplanung StuPO 2016 | SoSe 2025 | Wahlpflichtbereich |
| WiSe 2025/26 | Wahlpflichtbereich | |
| SoSe 2026 | Wahlpflichtbereich | |
| WiSe 2026/27 | Wahlpflichtbereich | |
| Ökologie und Umweltplanung StuPO 2019 (20.02.2019) | SoSe 2025 | Wahlpflichtbereich Profilierung Ökologie und Umweltplanung › Profilierung Umweltplanung |
| WiSe 2025/26 | Wahlpflichtbereich Profilierung Ökologie und Umweltplanung › Profilierung Umweltplanung | |
| SoSe 2026 | Wahlpflichtbereich Profilierung Ökologie und Umweltplanung › Profilierung Umweltplanung | |
| WiSe 2026/27 | Wahlpflichtbereich Profilierung Ökologie und Umweltplanung › Profilierung Umweltplanung |
Sonstiges
Keine Angabe