Deep Learning für Geographische DatenModulbeschreibung #61434 / Version 1
- 6 LP
- Mündliche Prüfung
- Benotet
- Wintersemester
- Englisch
| Modul / Version | #61434 / #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 fundamental understanding of the principles, structure, and working of neural networks and their common architectures for solving tasks such as classification, regression, localization, recognition, segmentation, etc., in the context of geoinformation related applications. They are able to plan, implement, train, and evaluate the performance of application-specific deep neural network architectures for processing geographical 2D/3D data such as raster, vector, network, and point cloud data. The students are well acquainted with the established software libraries for Deep Learning and are able to use them self-reliantly.
Lehrinhalte
Introduction to artificial intelligence, artificial neural networks, linear classifier, the perceptron, fully connected neural networks, training by backpropagation, loss and activation functions, weight initialization and regularization, optimizers, hyperparameter tuning, multi-task learning, convolutional neural networks (CNN), common network architectures and custom models, Deep Learning on 3D data and aerial laser scanning point clouds, time series geographical data, recurrent neural networks (RNN), attention mechanism, generative learning with Autoencoders and generative adversarial networks (GAN), Deep Learning libraries (e.g. TensorFlow, PyTorch).
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Deep Learning for Geographical Data | Übung | Wintersemester | [en] | 2 | WiSe 2026/27 (1) ISIS | |
| Deep Learning for Geographical Data | Vorlesung | Wintersemester | [en] | 2 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (2)
Deep Learning for Geographical Data (Übung) 1
- Deep Learning for Geographical Data (Übung) Termingruppe 1
Deep Learning for Geographical Data (Vorlesung) 1
- Deep Learning for Geographical Data (Vorlesung) Termingruppe 1
Arbeitsaufwand und Leistungspunkte
Deep Learning for Geographical Data (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Deep Learning for Geographical Data (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 and linear algebra, basic understanding in machine learning, and solid background and experience in object-oriented 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: Wintersemester.
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 |
|---|---|---|
| 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