Datenwissenschaft in der Erdbeobachtung

Worum geht's

Du vertiefst Kenntnisse in Datenwissenschaften für Erdbeobachtung und lernst zentrale Methoden des maschinellen Lernens (z. B. SVM, Random Forests, Deep Neural Networks, CNNs, RNNs). Du wendest diese Methoden auf typische EO-Aufgaben wie Klassifizierung, Segmentierung und Regression an und entwickelst abschließend ein konkretes ML‑Modell als Projektarbeit.

Was du danach kannst

• Grundlegendes Verständnis typischer ML‑Methoden (z. B. SVM, Random Forest, Deep Neural Networks)
• Verständnis der Anwendungen dieser ML‑Methoden in der Erdbeobachtung
• Unterscheidung zwischen physikalischen Modellen und datengetriebenen ML‑Modellen sowie deren Vor‑/Nachteile
• Kenntnis von Methoden zur Quantifizierung von Unsicherheiten in Deep Neural Networks
• Verständnis eines typischen ML‑Workflows (Labeling, Architekturdesign, Training, Fine‑Tuning, Validation)
• Auswahl und Implementierung geeigneter Modelle für spezifische EO‑Probleme; Design von Experimenten und Validierung
• Anfertigung präziser wissenschaftlicher Forschungsberichte

Aus was das Modul besteht

• VorlesungVermittlung der theoretischen Grundlagen und Präsentationen
• ÜbungenVertiefung durch praktische Aufgaben, Partner-/Gruppenarbeit und Problemlösung
• HackathonKonsolidierung des theoretischen Wissens anhand typischer EO‑Problemlösungen
• ProjektarbeitEntwicklung eines konkreten ML‑Modells in Teams (2–3 Personen)

Lehrmethode

• Vortrag/PräsentationEinführung und Erklärung der Inhalte
• Fragend‑entwickelnde MethodenInteraktion mit Studierenden anregen
• Übungsbeispiele in Partner-/GruppenarbeitAnwendung theoretischer Grundlagen auf praktische Aufgaben
• Hackathon (praktisch, Python)Praxisnahe Vertiefung typischer Problemlösungen in der Erdbeobachtung