EventoWeb

Zürcher Hochschule für Angewandte Wissenschaften

Nicht angemeldet (Samstag, 23. November 2024 15:47:16)  

n.BA.AD.STDS.24HS (Spatio-temporal Data Science) 
Modul: Spatio-temporal Data Science
Diese Information wurde generiert am: 23.11.2024
Nr.
n.BA.AD.STDS.24HS
Bezeichnung
Spatio-temporal Data Science
Credits
2

Beschreibung

Version: 1.0 gültig ab 01.08.2024

 

Studiengang  Applied Digital Life Sciences
Geltende Rechtsordnung  RPO vom 29. Januar 2008, Studienordnung des Dept. N vom 15. Dez. 2009, Anhang für den Bachelorstudiengang Applied Digital Life Sciences
Modultyp   
X Pflichtmodul   Wahlpflichtmodul   Wahlmodul
Plansemester  6. Semester
Modulverantwortliche/r  Nils Ratnaweera
Telefon / E-Mail  +41 (0)58 934 55 63 / nils.ratnaweera@zhaw.ch
Beteiligte Mitarbeitende und Lehrbeauftragte 
  • Nils Ratnaweera
  • Patrick Laube
  • Martin Schüle
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
Inhalt des Moduls 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.
 
  • 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
Anschlussmodule -
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
Präsenzverpflichtung im Unterricht  Präsenz wird stark empfohlen, aber nicht mit Präsenzliste durchgesetzt.
Leistungsnachweise  Erfahrungsnote 100%
Unterrichtssprache  Englisch
Bemerkungen  -

 

Kurs: Spatio-temporal Data Science
Nr.
n.BA.AD.STDS.24HS.V
Bezeichnung
Spatio-temporal Data Science

Hinweis

  • Für das Stichdatum 23.11.2024 ist kein Modulbeschreibungstext im System verfügbar.