Zur Modulseite PDF generieren

#41199 / #2

Seit SoSe 2025

Deutsch, Englisch

Advanced Python Programming for Deep Learning in Earth Observation

9

Demir, Begüm

Benotet

Portfolioprüfung

Englisch

Zugehörigkeit


Fakultät IV

Institut für Technische Informatik und Mikroelektronik

34342200 FG Remote Sensing Image Analysis

Keine Angabe

Kontakt


EN 5

Witte, Bethany Jane

b.witte@tu-berlin.de

Lernergebnisse

Die Teilnehmenden dieses Kurses erwerben fortgeschrittene Kenntnisse in der Python-Programmierung auf dem Gebiet für Deep Learning in der Erdbeobachtung und Fernerkundung. Darüber hinaus lernen die Teilnehmenden, wie sie Herausforderungen bei der Verarbeitung von Fernerkundungsdaten bewältigen können, und erwerben praktische Fähigkeiten beim Training aktueller Deep Learning Methoden. Nach Abschluss dieses Kurses werden die Teilnehmenden in der Lage sein, die notwendige Datenpipeline zu implementieren, um tiefe neuronale Netze auf großen Fernerkundungsdatensätzen effizient zu trainieren.

Lehrinhalte

Ziel des Kurses ist es, praktisches Wissen für die auf Deep Learning basierende Verarbeitung und Analyse von Fernerkundungsbildern für die Erdbeobachtung zu vermitteln. Der Kurs beginnt mit einer Einführung in die einzelnen technischen Schritte im Zusammenhang mit der Erstellung eines Datensatzes und dessen effizienter Vorverarbeitung. Anschließend wird eine Trainingspipeline implementiert und eine Vielzahl von Deep Learning Experimenten durchgeführt. Neben modernen Deep Learning Methoden und Architekturen werden relevante Daten- und Speicherformate vorgestellt, wobei ein besonderes Augenmerk auf Effizienz, Flexibilität und nahtlose Durchführung von Experimenten in Python gelegt wird, um eine effiziente, groß angelegte Fernerkundungsbildanalyse mit Deep Learning zu ermöglichen. Verschiedene Praktische Anwendungen werden während des gesamten Kurses behandelt.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Advanced Python Programming for Deep Learning in Remote Sensing (APP4RS)PR41199WiSe/SoSeen6

Arbeitsaufwand und Leistungspunkte

Advanced Python Programming for Deep Learning in Remote Sensing (APP4RS) (PR):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.06.0h90.0h
Vor-/Nachbereitung15.012.0h180.0h
270.0h(~9 LP)
Der Aufwand des Moduls summiert sich zu 270.0 Stunden. Damit umfasst das Modul 9 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Dieses Modul besteht aus 1) Frontalunterricht (in dem die Dozenten die Methoden vorstellen und den theoretischen Hintergrund vermitteln) sowie 2) geführten und selbst organisierten Programmierübungen.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

• Solide Python-Programmierkenntnisse sind erforderlich. • Gute Kenntnisse im Bereich des maschinellen Lernens sind erforderlich (z. B. durch ein Modul wie Machine Learning I/II, Deep Learning I/II, Machine Intelligence I/II oder Äquivalente). • Spezifische Kenntnisse in Fernerkundung/Erdbeobachtung sind nicht erforderlich, können aber hilfreich sein (z. B. durch das Modul “Image Processing and Learning for Earth Observation”, früher “Image Processing for Remote Sensing”). • Vertrautheit mit Python-Softwarebibliotheken, die mit Tensoren (z.B. Numpy), Tabellendaten (z.B. Pandas, DuckDB) und Deep Learning (z.B. PyTorch) arbeiten, ist von Vorteil.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

Englisch

Prüfungselemente

NamePunkteKategorieDauer/Umfang
(Ergebnisprüfung) Code/Report 1. Meilenstein25schriftlich~5-10 Seiten
(Ergebnisprüfung) Code/Report 2. Meilenstein25schriftlich~5-10 Seiten
(Ergebnisprüfung) Code/Report 3. Meilenstein25schriftlich~5-10 Seiten
(Ergebnisprüfung) Mündliche Präsentation25mündlichca. 20 Minuten

Notenschlüssel

Notenschlüssel »Notenschlüssel 2: Fak IV (2)«

Gesamtpunktzahl1.01.31.72.02.32.73.03.33.74.0
100.0pt95.0pt90.0pt85.0pt80.0pt75.0pt70.0pt65.0pt60.0pt55.0pt50.0pt

Prüfungsbeschreibung (Abschluss des Moduls)

Die Gesamtnote des Moduls setzt sich aus den Ergebnissen der Kursarbeit („Portfolio-Prüfung“) zusammen. Es gibt vier Portfolio-Bewertungen: drei Meilensteine und eine mündliche Präsentation. Jede Meilensteinprüfung umfasst die Einreichung des entwickelten Codes und eines Berichts. Die Richtlinien für die Einreichung des Berichts sind auf der Website der Vorlesung verfügbar. Jeder Meilenstein wird mit 25 Punkten bewertet. Die vierte Bewertung ist eine mündliche Präsentation über eines der vorgestellten Themen (25 Punkte).

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 24.

Anmeldeformalitäten

Die Zahl der Teilnehmer an der Vorlesung ist begrenzt. Bitte schauen Sie vor Beginn der Vorlesungszeit unter https://rsim.berlin/courses nach, wie Sie sich anmelden können.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Computer Engineering (M. Sc.)14SoSe 2025SoSe 2025
Computer Science (Informatik) (M. Sc.)15SoSe 2025SoSe 2025
Elektrotechnik (M. Sc.)13SoSe 2025SoSe 2025
Information Systems Management (Wirtschaftsinformatik) (M. Sc.)12SoSe 2025SoSe 2025

Sonstiges

Keine Angabe