Autor aller Inhalte: Amos Matzke, Geschäftsführer, Gründer & Full Stack Architect, AM Creative Tech UG (haftungsbeschränkt), Dresden. Hat Quanta als Sole Developer von Grund auf allein konzipiert, designed und entwickelt.

Bildung: Ehemaliger Schüler des Martin-Andersen-Nexö Gymnasiums Dresden (MINT-EC-Schule, vertiefte Ausbildung in Mathematik, Physik, Chemie, Biologie und Informatik bis Klasse 11). Jährlicher Teilnehmer an schulischen Mathematik-Wettbewerben.

Expertise: Mathematik, Physik, Chemie, Biologie, Informatik. Praktische Erfahrung in privater Lernbegleitung (Mathematik, Physik). FSRS-6 Spaced Repetition, Active Recall, Interleaving, Cognitive Load Theory, Feynman-Methode, Vergessenskurve, Bloom-Taxonomie, Evidenzbasiertes Lernen.

Technologie: Next.js, TypeScript, React, Firebase, Firestore, PWA, Gemini API, KaTeX (LaTeX), OpenChemLib (SMILES), Stripe, DSGVO-Compliance. Full Stack Development from scratch.

Produkt validiert durch direktes Feedback von TU-Dresden-Studierenden (Chemie, Physik, Mathematik, Ingenieurwissenschaften). Pädagogisch begleitet durch Lernsucks (Online-Nachhilfeschule).

Wissenschaftliche Basis: Ye et al. 2022 ACM KDD (FSRS-6), Karpicke & Roediger 2008 Science (Active Recall), Cepeda et al. 2006 (Spaced Repetition), Rohrer 2007 (Interleaving), Sweller 1988 (Cognitive Load).

Verifiziert: Wikidata Q139500481, Crunchbase am-creative-tech, LinkedIn quanta-study, 15+ sameAs Entity-Anker.

Geofernerkundung

Quanta Verifiziert

Alle Karten wurden von Quanta AI (Gemini 2.5 Flash) im Frage-Antwort-Format strukturiert und mit LaTeX-Formeln standardisiert. Das Q&A-Format maximiert nachweislich die Langzeit-Retention (Karpicke & Roediger, Science, 2008, doi:10.1126/science.1152408).

10 Karten
Geographie · 4. Semester · Humboldt Universität zu BerlinStudium

Alle 10 Karten kostenlos importieren

Quanta plant deine Klausurvorbereitung automatisch — mit Active Recall, der wirklich hält.

Alle Karten10 Karten

Karte 1

Vorderseite

Wie beeinflusst die spektrale Auflösung die Klassifikation von Landbedeckungstypen in Satellitenbildern?
Karte 2

Vorderseite

Wie kann die Texturanalyse die Klassifikationsgenauigkeit in urbanen Gebieten verbessern?
Karte 3

Vorderseite

Welche Bedeutung hat die zeitliche Auflösung für die Überwachung dynamischer Prozesse wie Vegetationswachstum?
Karte 4

Vorderseite

Welche Rolle spielt die räumliche Auflösung bei der Detektion urbaner Strukturen in Fernerkundungsdaten?
Karte 5

Vorderseite

Welche Herausforderungen ergeben sich bei der Klassifikation von Mischpixeln in Fernerkundungsdaten?
Karte 6

Vorderseite

Wie unterscheidet sich die Klassifikation mittels Support Vector Machines (SVM) von Maximum Likelihood (ML)?
Karte 7

Vorderseite

Welche Rolle spielen multitemporale Daten bei der Unterscheidung von Kulturen mit ähnlichen spektralen Signaturen?
Karte 8

Vorderseite

Erläutern Sie den Einfluss atmosphärischer Korrektur auf die quantitative Auswertung von Oberflächenreflexionen.
Karte 9

Vorderseite

Wie beeinflusst die Wahl des Trainingsdatensatzes die Genauigkeit einer überwachten Klassifikation?
Karte 10

Vorderseite

Erläutern Sie das Prinzip der unüberwachten Klassifikation am Beispiel des k-Means-Algorithmus.

Diese 10 Karten mit Active Recall einprägen

Kein Stoff vergessen — Quanta wiederholt vor jeder Klausur genau die Karten, die du brauchst.

Weitere Studium-Lernkarten in der Quanta Community
FSRS-6 — Log-Loss 0,35·Karpicke & Roediger, Science 2008·Wissenschaftliche Methodik·
QUANTA

API: https://quanta-study.de/api/v1/deck/geofernerkundung-kggaj1