![](https://www.fhnw.ch/de/weiterbildung/architektur-bau-geomatik/geomatik/modul-kuenstliche-intelligenz/media/headerbilder-cas-sda.jpg/@@images/image/f_fullwidthtop)
Modul Künstliche Intelligenz
Ist künstliche Intelligenz (KI) relevant für die berufliche Zukunft? Es scheint, dass ein «Ja» sich hinsichtlich jüngster Entwicklungen unweigerlich als Antwort aufdrängt.
Eckdaten
- Abschluss
- Weiterbildungsbestätigung
- Nächster Start
- Oktober 2024
- Dauer
- 2 x 2 Tage
- Unterrichtstage
- 4
- Unterrichtssprache
- Deutsch
- Ort
- Olten
- Preis
- CHF 2'100.-
Dieses Modul befasst sich mit Spatial Data Science, Spatial Statistics und vor allem mit künstlicher Intelligenz.
Beim Themenkomplex künstlichen Intelligenz erfolgt eine Einführung in die Grundbegriffe, Funktionsweise, Limitationen und Anwendungen (Machine Learning und Deep Learning). Es werden Methoden und Umsetzungen mit Google Colab sowie weiteren Implementierungstools vorgestellt und auch eingeständige Implementierungen umgesetzt.
In der Spatial Data Science erfolgt eine Einführung in ein Data Science Projekt und es werden räumlich-zeitliche Datensätze mit GIS-Software erkundet sowie reproduzierbare räumliche Analysen und Dokumentationen erarbeitet.
Bei der Spatial Statistics erfolgt eine Einführung in die Autokorrelation in räumlichen Daten. Anschliessend werden unterschiedliche Konzepte der räumlichen Nachbarschaft und Masse gezeigt, um die räumliche Autokorrelation zu quantifizieren. Die Strategien, um den Einfluss der räumlichen Autokorrelation zu ermitteln und ein falsch spezifiziertes Modell zu erkennen, runden den Themenkomplex diesen ab.
Die theoretischen Grundlagen werden durch Übungen und Gruppenarbeiten anhand von praktischer Umsetzung vertieft.
Detailprogramm
Mo, XX.10.2024 Spatial Data Science
8:45 bis 16:15 • Explorative räumliche Datenanalysen
- Best Practices und Reproduzierbarkeit
- Möglichkeiten und Herausforderungen Echtzeitdaten
Di, XX.10.2024 Spatial Statistics
8:45 bis 16:15 • räumliche Autokorrelation
und das erste Gesetz der Geografie
- räumliche Regression und Interpolation
Mo, XX.10.2024 Machine Learning I
8:45 bis 16:15 • Einführung in Machine Learning und Deep Learning
- Anwendungsbeispiele in der Geomatik, mit Workshop
Di, XX.10.2024 Machine Learning II
8:45 bis 16:15 • Vertiefung einzelner Aspekte des Machine Learning
(z.B. Trainingsstrategien, Deep Learning Architekturen)
- Anwendungsbeispiele in der Geomatik, mit Workshop Teil II
Programmänderungen sind vorbehalten.
Beteiligte
Prof. Dr. Pia Bereuter, Prof. Dr. Denis Jordan, Adrian Meyer und Dr. Peter Ranacher.
Weiterbildungskurs
Das Modul kann als Weiterbildungskurs besucht werden. Als Abschluss wird eine Weiterbildungsbestätigung ohne ECTS-Punkte ausgestellt.
Der Kurs kann an den CAS Spatial Data Analytics angerechnet werden.
Bei Interesse wenden Sie sich an Pia Bereuter.
Der Aufbau von Datenkompetenz (Data Literacy) in Unternehmen und Organisationen ist besonders wichtig, um Daten, Methoden und Analysen sinnvoll in Kontext zu setzen, korrekt zu interpretieren und entsprechend fundierte Entscheidungen abzuleiten. Dies setzt eine angepasste Kommunikation und Visualisierung von räumlichen Analysen voraus.
Diese Weiterbildung zählt als Fortbildung für die Ingenieur-Geometerinnen und -Geometer und wird von der Kommission für Ingenieur-Geometerinnen und -Geometer empfohlen.