290024 PS Spatial Data Science (2019W)
Prüfungsimmanente Lehrveranstaltung
Labels
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mo 02.09.2019 07:00 bis Mo 16.09.2019 23:59
- Abmeldung bis Mi 30.10.2019 23:59
Details
max. 20 Teilnehmer*innen
Sprache: Deutsch
Lehrende
Termine
Montag 07.10. 16:00-19:00 GIS-Lab Computerkartographie Geographie NIG 1.OG C10
Montag 14.10. 16:00-19:00 GIS-Lab Computerkartographie Geographie NIG 1.OG C10
Montag 21.10. 16:00-19:00 GIS-Lab Computerkartographie Geographie NIG 1.OG C10
Montag 04.11. 16:00-19:00 GIS-Lab Computerkartographie Geographie NIG 1.OG C10
Montag 11.11. 16:00-19:00 GIS-Lab Computerkartographie Geographie NIG 1.OG C10
Montag 18.11. 16:00-19:00 GIS-Lab Computerkartographie Geographie NIG 1.OG C10
Montag 25.11. 16:00-19:00 GIS-Lab Computerkartographie Geographie NIG 1.OG C10
Montag 16.12. 16:00-19:00 GIS-Lab Computerkartographie Geographie NIG 1.OG C10
Montag 13.01. 16:00-19:00 GIS-Lab Computerkartographie Geographie NIG 1.OG C10
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Art der Leistungskontrolle und erlaubte Hilfsmittel
Aktive Mitarbeit, Assignments, Endprojekt
Mindestanforderungen und Beurteilungsmaßstab
Interesse an der quantitativen Datenanalyse. Gerne laden wir auch Studierende außerhalb der Geoinformation zur Teilnahme ein.
Prüfungsstoff
Immanenter Prüfungscharakter:
• Laufende aktive Mitarbeit (20%)
• Hausaufgaben (40%)
• Endprojekt (40%)
• Laufende aktive Mitarbeit (20%)
• Hausaufgaben (40%)
• Endprojekt (40%)
Literatur
Diggle, P. J. ( 2013). Statistical Analysis of Spatial and Spatio‐Temporal Point Patterns, 3rd edition.Jiang, Z., Shekhar, S. (2017). Spatial Big Data Science.
Classification Techniques for Earth Observation Imagery.Oyana, T. J., Margai, F. M. (2015). Spatial Analysis: Statistics, Visualization, and Computational Methods.
Classification Techniques for Earth Observation Imagery.Oyana, T. J., Margai, F. M. (2015). Spatial Analysis: Statistics, Visualization, and Computational Methods.
Zuordnung im Vorlesungsverzeichnis
(MK2-c-PI) (MK1-W2-PI)
Letzte Änderung: Fr 04.10.2019 21:08
Der Data Scientist wurde vom Harvard Business Review zum „Sexiest job in the 21st century” gekürt. Da rund 80% aller Businessdaten einen Raumbezug aufweisen, ist von einem verstärkten Bedarf nach
Spatial Data Scientists auszugehen. Dies sind Analytiker, die die räumliche Komponente in der Problemerkennung über die Analyse zur Visualisierung entsprechend berücksichtigen und damit Mehrwerte in der Prozessoptimierung erzielen. Diese Lehrveranstaltung dient den Studierenden ihre Berufsmöglichkeiten zu erweitern und ist interdisziplinär (Geographie, Statistik, Mathematik, Computer Science) angesiedelt.Ziele:
Studierende sind mit den Grundlagen der räumlichen Statistik und der Spatial Data Science vertraut, und erarbeiten aktuelle Trends und Entwicklungen in diesem modernen Berufsfeld. Sie sind in der Lage, diese Methoden in diversen Industrien oder auch in der Forschung einzusetzen, deren Integration in Geoinformationssysteme zu bewerkstelligen und darauf aufbauend Fragestellungen zu lösen.