Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Deep Learning für Geographische DatenModulbeschreibung #61434 / Version 1

← Zur Modulseite English version
Modul / Version#61434 / #1
GültigkeitSeit WiSe 2020/21
Verfügbare Sprache(n)Englisch
Leistungspunkte6
Modulverantwortliche*rKada, Martin
BenotungBenotet
PrüfungsformMündliche Prüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät VI
InstitutInstitut für Geodäsie und Geoinformationstechnik (IGG)
Fachgebiet36331100 FG Methodik der Geoinformationstechnik

Kontakt

SekretariatH 12
Ansprechpartner*inKeine Angabe
E-Mail-Adressemartin.kada@tu-berlin.de
WebseiteKeine 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:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Deep Learning for Geographical DataÜbung Wintersemester[en]2 ISIS
Deep Learning for Geographical DataVorlesung Wintersemester[en]2 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (2)

Deep Learning for Geographical Data (Übung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Deep Learning for Geographical Data (Vorlesung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Deep Learning for Geographical Data (Übung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Deep Learning for Geographical Data (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 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

BenotungBenotet
PrüfungsformMündliche Prüfung
SpracheEnglisch
Dauer/Umfang30 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 / StuPOSemesterStudiengangsbereich
Environmental Planning
StuPO 2017 (13.12.2017)
SoSe 2025Wahlpflichtbereich 2: Ergänzungsbereich
WiSe 2025/26Wahlpflichtbereich 2: Ergänzungsbereich
SoSe 2026Wahlpflichtbereich 2: Ergänzungsbereich
WiSe 2026/27Wahlpflichtbereich 2: Ergänzungsbereich
Geodesy and Geoinformation Science
StuPO 2007 (21.03.2007)
SoSe 20252.1 Major subject Geoinformation Technology › Major subject Geoinformation Technology
WiSe 2025/262.4 Major subject Computer Vision and Remote Sensing › Minor subject Geoinformation Technology
SoSe 20262.4 Major subject Computer Vision and Remote Sensing › Minor subject Geoinformation Technology
WiSe 2026/272.4 Major subject Computer Vision and Remote Sensing › Minor subject Geoinformation Technology
Ökologie und Umweltplanung
StuPO 2016
SoSe 2025Wahlpflichtbereich
WiSe 2025/26Wahlpflichtbereich
SoSe 2026Wahlpflichtbereich
WiSe 2026/27Wahlpflichtbereich
Ökologie und Umweltplanung
StuPO 2019 (20.02.2019)
SoSe 2025Wahlpflichtbereich Profilierung Ökologie und Umweltplanung › Profilierung Umweltplanung
WiSe 2025/26Wahlpflichtbereich Profilierung Ökologie und Umweltplanung › Profilierung Umweltplanung
SoSe 2026Wahlpflichtbereich Profilierung Ökologie und Umweltplanung › Profilierung Umweltplanung
WiSe 2026/27Wahlpflichtbereich Profilierung Ökologie und Umweltplanung › Profilierung Umweltplanung

Sonstiges

Keine Angabe