• ADLS Modul im 6. Semester / 2 ECTS

• Teil der Vertiefung Digital Environment

• Info gemäss Evento Web s.u.

• Studenplan von Celine 8.10.24: 9:50 - 11:35 x 14 Wochen

• Basiert auf

  • Remote Sensing (4. Semester 2 ECTS)
  • GIScience and Geodatabases (5. Semester / 4 ECTS)
    • Moodle
    • R-Excercises
  • Image Processing 4 RS: (5. Semester / 2 ECTS) Exercises

• Hanno hat eine Räumliche Indizes Übung gemacht in AGI (auf moodle schauen)

Modulinfos

Vorausgesetzte Module

• Datenzentriertes Programmieren
• GIS and Geodatabases

Zu erreichende Kompetenzen

Fachliche Kompetenzen

Die Studierenden …

• … kennen ein breites Spektrum an spezialisierten Geodatenformaten (die Klassiker und die neuesten) und deren spezifische Anwendungsfälle, Anforderungen, Stärken und Schwächen
• … können mittlere bis große Geodatensätze mit Hilfe von Geodaten-Skripting-Software verarbeiten und analysieren.
  
• … können umfassende räumliche Datenbanken abfragen und wissen, wie man diese Abfragen im Hinblick auf Geschwindigkeit und Effizienz optimiert
• … verstehen fortgeschrittene Konzepte von Geodaten, z. B. räumliche Indizierung, Topologie und das dimensionserweiterte Schnittmengenmodell, einfache Merkmale, Maßstäbe, das Problem der modifizierbaren Flächeneinheiten

Überfachliche Kompetenzen:

Die Studierenden …

• … können komplexe Probleme in mehrere kleineren und überschaubaren Aufgaben zerlegen und bearbeiten
• … können Lösungen für Probleme recherchieren und umsetzen, mit denen sie bisher nicht konfrontiert waren
• …können öffentlich verfügbare Daten beschaffen, analysieren und kritisieren

Dieser umfassende Kurs soll den Teilnehmern fortgeschrittene Fähigkeiten in der raum-zeitlichen Datenwissenschaft vermitteln und wesentliche Themen abdecken, um sich in der sich entwickelnden Landschaft der Geodatenverarbeitung und -analyse zurechtzufinden und zu behaupten. Jedes Thema kombiniert theoretisches Wissen mit praktischen Übungen, um sicherzustellen, dass die Teilnehmer gut vorbereitet sind, um reale Herausforderungen in diesem Bereich zu bewältigen.

Inhalt des Moduls

• Grundlagen der fortgeschrittenen Datenverarbeitung
  • Einführung in die klassischen und modernen Geodatenformate
  • Praktische Übungen für effiziente Datenverarbeitungstechniken
  • Fallstudien, die reale Anwendungen zeigen
• Räumliche Optimierungstechniken
  • Erforschung räumlicher Indizierungsmethoden
  • Praktische Implementierung zur Verbesserung der Datenverarbeitungsleistung
  • Strategien zur Optimierung von räumlichen Abfragen und Analysen
• Integration mit Big-Data-Technologien
  • Überblick über Big-Data-Technologien im Kontext der Geodatenverarbeitung
  • Integrationsstrategien für die nahtlose Analyse mit großen Datenbeständen
  • Praktische Anwendungen und Anwendungsfälle
• Maschinelles Lernen für raumzeitliche Patterns
  • Einführung in Algorithmen des maschinellen Lernens, zugeschnitten auf Geodaten
  • Praktische Übungen zur Mustererkennung und Trendanalyse
  • Beispiele aus der Praxis, die die Auswirkungen des maschinellen Lernens in raumzeitlichen Kontexten veranschaulichen
• Geospatial (REST) APIs und Data Science Workflows
  • Verstehen der Rolle von Geospatial APIs in DataScience
  • Praktische Übungen zur Nutzung von APIs für verbesserten Datenzugang und –Analyse
  • Integration von Geospatial (REST) APIs in umfassende Data Science Workflows

Unterrichtsmethoden

• Theoretische Grundlagen und Konzepte werden mittels Vorlesungen, Seminare und Leseaufträge vermittelt.
• Praktische Fähigkeiten werden durch angeleitete Übungen erworben, wobei vorhandene Online-Ressourcen genutzt werden, sofern verfügbar.
• Projektarbeit als Einzel- oder Partnerarbeit, Coaching durch die Lehrkräfte während der Projektdurchführung

Digitale Lernressourcen

• Moodle
• Lern- und Instruktionsvideos
• Online Tutorials und Benutzerplattformen
• Fallstudien

Unterrichtsgliederung / Gesamtaufwand

• Kontaktstudium 28
• Begleitetes Selbststudium 14
• Autonomes Selbststudium 18
• Total Workload 60

Movement Analysis

Part 1

Theorie: Vor allem Patterns und dann etwas zu Bewegungsparameter und Travel Mode Detection Praxis: Travel Mode detection aus Adv. Env. Stat

Part 2

Context: Travel Mode Detection mit Context information