DI Dr. techn. Mugdim Bublin Lehre und Forschung Stadt Wien Stiftungsprofessur für Artificial Intelligence mugdim.bublin@fh-campuswien.ac.at T: +43 1 606 68 77-2133 F: +43 1 606 68 77-2139 Raum: B.3.14 Favoritenstraße 226 1100 WienPersönlicher WebspaceLehrveranstaltungen 2021/22Technik> Deep Learning and Virtual Reality Wahlpflichtmodul… Software Design and Engineering moreDeep Learning and Virtual Reality Wahlpflichtmodul MODUL3SWS6ECTS> Master Thesis Project UE Software Design and Engineering moreMaster Thesis Project UEVortragende: DI Dr. techn. Mugdim Bublin, Leon Freudenthaler, BSc MSc, FH-Prof. FH-Hon.Prof. Priv.-Doz. Mag. DI. DI. Dr.techn. Karl Michael Göschka, DI Jochen Hense, MBA, FH-Prof. Dipl.-Ing. Heimo Hirner, FH-Prof. DI Dr. Igor Miladinovic, Mag. Dipl.-Ing. Dr.techn. Wolfgang Radinger-Peer, MBA, FH-Prof.in Mag.a Dr.in Sigrid Schefer-Wenzl, MSc BSc, Bernhard Taufner, BSc, MSc2SWS6ECTSLehrinhalteStudierende arbeiten individuell oder in Kleingruppen an Projekten mit Bezug zu Software Design und Software Engineering Technologien und Anwendungen im Kontext hochschulischer F&E-Aktivitäten oder im Rahmen ihrer individuellen Berufstätigkeit. Diese Projekte stellen in weiterer Folge die praxisrelevante Basis für die Masterarbeiten dar.PrüfungsmodusImmanente Leistungsüberprüfung Projektfortschritt, Funktionsnachweis, ProjektpräsentationLehr- und Lernmethode[OFFEN]SpracheDeutsch-Englisch> Deep Learning – advanced AI and Data Science ILV Computer Science and Digital Communications moreDeep Learning – advanced AI and Data Science ILVVortragende: DI Dr. techn. Mugdim Bublin, Dr. Christian Steineder, Sebastian Ukleja, BSc3SWS6ECTSLehrinhalte- Deep Learning Foundation- Motivation and basic ideas - Basic principles behind algorithms - Deep Learning Algorithms and Networks- Convolutional Neuronal Networks (CNN) - Recurrent Neural Networks (RNN) - Generative Neural Networks (GAN, Autoencoders) - Reinforcement Learning (Deep QNet) - Applications of Deep Learning and Artificial Intelligence for- Medicine, IoT, Industry 4.0, Autonomous Driving, Games etc.PrüfungsmodusImmanente Leistungsüberprüfung - Project work - Exercises during lectures - Final written examLehr- und Lernmethode- Lecture - Group work (project) - Practical exercises - Continuous Discussion and feedbackSpracheEnglisch> Virtual and Augmented Reality ILV Computer Science and Digital Communications moreVirtual and Augmented Reality ILVVortragende: DI Dr. techn. Mugdim Bublin, Mag. art Philipp Lammer3SWS6ECTSLehrinhalteVirtual und Augmented Reality umfassen Methoden zu Erweiterung der realen Inhalte, um durch intelligente Algorithmen kontextabhängigeInformationen zur Verfügung zu stellen. Virtual und Augmented Reality werden in verschiedenen Bereichen eingesetzt, wie zum Beispiel: Medizin, Industrie, Unterricht, Tourismus und Computerspiele. Um Virtual und Augmented Reality zu ermöglichen, spielen die Methoden der Künstliche Intelligenz und Machine Learning insbesondere Deep Learning eine sehr wichtige Rolle. Virtual und Augmented Reality sind wichtige Komponenten der Cyber-Physical Systeme, die wiederum die Grundlagen für die Digitalisierung und Industrie 4.0 bilden. Die LV deckt insbesondere die folgenden Inhalte ab: - Anwendungsbeispiele zu Virtual und Augmented Reality - Anforderungen an Augmented Reality and Deep Learning Applikationen - Displays, Kameras und andere Sensoren für Virtual und Augmented Reality - Kalibrierung und Filterung - Computer Vision Algorithmen zu Objekt und Szene Erkennung - Lokalisierung, Tracking und Navigation - Deep Learning Algorithmen und Netzarchitekturen, insbesondere CNN und RNN - Einsatz von Deep Learning Algorithmen in Virtual und Augmented Reality ApplikationenPrüfungsmodusEndprüfung GruppenarbeitenLehr- und LernmethodeVortrag, praktische Übungen, Fallstudien, Diskussion der aktuellen Literatur, Implementierung der Algorithmen und ApplikationenSpracheEnglisch> Deep Learning – advanced AI and Data Science ILV Computer Science and Digital Communications moreDeep Learning – advanced AI and Data Science ILVVortragende: DI Dr. techn. Mugdim Bublin, Dr. Christian Steineder, Sebastian Ukleja, BSc3SWS6ECTSLehrinhalte- Deep Learning Foundation- Motivation and basic ideas - Basic principles behind algorithms - Deep Learning Algorithms and Networks- Convolutional Neuronal Networks (CNN) - Recurrent Neural Networks (RNN) - Generative Neural Networks (GAN, Autoencoders) - Reinforcement Learning (Deep QNet) - Applications of Deep Learning and Artificial Intelligence for- Medicine, IoT, Industry 4.0, Autonomous Driving, Games etc.PrüfungsmodusImmanente Leistungsüberprüfung - Project work - Exercises during lectures - Final written examLehr- und Lernmethode- Lecture - Group work (project) - Practical exercises - Continuous Discussion and feedbackSpracheEnglisch> Virtual and Augmented Reality ILV Computer Science and Digital Communications moreVirtual and Augmented Reality ILVVortragende: DI Dr. techn. Mugdim Bublin, Mag. art Philipp Lammer3SWS6ECTSLehrinhalteVirtual und Augmented Reality umfassen Methoden zu Erweiterung der realen Inhalte, um durch intelligente Algorithmen kontextabhängigeInformationen zur Verfügung zu stellen. Virtual und Augmented Reality werden in verschiedenen Bereichen eingesetzt, wie zum Beispiel: Medizin, Industrie, Unterricht, Tourismus und Computerspiele. Um Virtual und Augmented Reality zu ermöglichen, spielen die Methoden der Künstliche Intelligenz und Machine Learning insbesondere Deep Learning eine sehr wichtige Rolle. Virtual und Augmented Reality sind wichtige Komponenten der Cyber-Physical Systeme, die wiederum die Grundlagen für die Digitalisierung und Industrie 4.0 bilden. Die LV deckt insbesondere die folgenden Inhalte ab: - Anwendungsbeispiele zu Virtual und Augmented Reality - Anforderungen an Augmented Reality and Deep Learning Applikationen - Displays, Kameras und andere Sensoren für Virtual und Augmented Reality - Kalibrierung und Filterung - Computer Vision Algorithmen zu Objekt und Szene Erkennung - Lokalisierung, Tracking und Navigation - Deep Learning Algorithmen und Netzarchitekturen, insbesondere CNN und RNN - Einsatz von Deep Learning Algorithmen in Virtual und Augmented Reality ApplikationenPrüfungsmodusEndprüfung GruppenarbeitenLehr- und LernmethodeVortrag, praktische Übungen, Fallstudien, Diskussion der aktuellen Literatur, Implementierung der Algorithmen und ApplikationenSpracheEnglisch> Bachelorarbeit 1 SE Computer Science and Digital Communications moreBachelorarbeit 1 SEVortragende: DI Dr. techn. Mugdim Bublin, FH-Prof. DI Thomas Fischer, Leon Freudenthaler, BSc MSc, FH-Prof. FH-Hon.Prof. Priv.-Doz. Mag. DI. DI. Dr.techn. Karl Michael Göschka, FH-Prof. Dipl.-Ing. Heimo Hirner, FH-Prof. DI Dr. Igor Miladinovic, Mag. Dipl.-Ing. Dr.techn. Wolfgang Radinger-Peer, MBA, FH-Prof.in Mag.a Dr.in Sigrid Schefer-Wenzl, MSc BSc, Silvia Schmidt, BSc MSc, Dr. Christian Steineder, Bernhard Taufner, BSc, MSc1SWS4ECTSLehrinhalte- Selbstständige Bearbeitung einer fachlich relevanten Thematik basierend auf den technischen Themen der Wahlpflichtmodule im 4. und 5. Semester auf wissenschaftlichem Niveau unter Anleitung einer Betreuerin/eines Betreuers - Ausarbeitung der Bachelorarbeit 1PrüfungsmodusEndprüfung Approbation der BachelorarbeitLehr- und LernmethodeDurchführung einer praktischen Arbeit und Ausarbeitung als Bachelorarbeit mit Coaching. Studierende präsentieren in regelmäßigen Abständen die aktuelle Fortentwicklung ihrer Bachelorarbeit 1 und stellen diese zur Diskussion.SpracheDeutsch> Wahlfach-Projekt 2 UE Computer Science and Digital Communications moreWahlfach-Projekt 2 UEVortragende: DI Dr. techn. Mugdim Bublin, FH-Prof. DI Thomas Fischer, Leon Freudenthaler, BSc MSc, FH-Prof. FH-Hon.Prof. Priv.-Doz. Mag. DI. DI. Dr.techn. Karl Michael Göschka, FH-Prof. DI Dr. Igor Miladinovic, Mag. Dipl.-Ing. Dr.techn. Wolfgang Radinger-Peer, MBA, Silvia Schmidt, BSc MSc, Dr. Christian Steineder, Bernhard Taufner, BSc, MSc2SWS5ECTSLehrinhalteDie Studierenden wenden die erworbenen Fähigkeiten an, um ein Projekt koordiniert und strukturiert abzuwickeln. Dabei definieren sie sich selbständig ein konkretes Teilziel im Projekt. Fundiertes theoretisches Vorgehen wird somit mit praktischer Anwendung kombiniert angewendet. Die Mitarbeit an einem industriellen F&E Projekt bzw. an aktuellen Problemstellung im Rahmen der F&E Tätigkeit der FH ist möglich.PrüfungsmodusEndprüfung Praktisches Projekt in der KleingruppeLehr- und LernmethodeGruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.SpracheDeutsch> Bachelorarbeit 1 SE Computer Science and Digital Communications moreBachelorarbeit 1 SEVortragende: DI Dr. techn. Mugdim Bublin, FH-Prof. DI Thomas Fischer, Leon Freudenthaler, BSc MSc, FH-Prof. FH-Hon.Prof. Priv.-Doz. Mag. DI. DI. Dr.techn. Karl Michael Göschka, FH-Prof. Dipl.-Ing. Heimo Hirner, FH-Prof.in Mag.a Dr.in Sigrid Schefer-Wenzl, MSc BSc, Silvia Schmidt, BSc MSc, Dr. Christian Steineder, Bernhard Taufner, BSc, MSc, Sebastian Ukleja, BSc1SWS4ECTSLehrinhalte- Selbstständige Bearbeitung einer fachlich relevanten Thematik, primär basierend auf den technischen Themen der Wahlpflichtmodule im 4. und 5. Semester auf wissenschaftlichem Niveau unter Anleitung einer Betreuerin/eines Betreuers - Ausarbeitung der Bachelorarbeit 1PrüfungsmodusEndprüfung Approbation der BachelorarbeitLehr- und LernmethodeDurchführung einer praktischen Arbeit und Ausarbeitung als Bachelorarbeit mit Coaching. Studierende präsentieren in regelmäßigen Abständen die aktuelle Fortentwicklung ihrer Bachelorarbeit 1 und stellen diese zur Diskussion.SpracheDeutsch> Wahlfach-Projekt 2 UE Computer Science and Digital Communications moreWahlfach-Projekt 2 UEVortragende: DI Dr. techn. Mugdim Bublin, Leon Freudenthaler, BSc MSc, FH-Prof. FH-Hon.Prof. Priv.-Doz. Mag. DI. DI. Dr.techn. Karl Michael Göschka, FH-Prof. Dipl.-Ing. Heimo Hirner, FH-Prof.in Mag.a Dr.in Sigrid Schefer-Wenzl, MSc BSc, Silvia Schmidt, BSc MSc, Dr. Christian Steineder, Bernhard Taufner, BSc, MSc, Sebastian Ukleja, BSc2SWS5ECTSLehrinhalteDie Studierenden wenden die erworbenen Fähigkeiten an, um ein Projekt koordiniert und strukturiert abzuwickeln. Dabei definieren sie sich selbständig ein konkretes Teilziel im Projekt. Fundiertes theoretisches Vorgehen wird somit mit praktischer Anwendung kombiniert angewendet. Die Mitarbeit an einem industriellen F&E Projekt bzw. an aktuellen Problemstellung im Rahmen der F&E Tätigkeit der FH ist möglich.PrüfungsmodusEndprüfung Praktisches Projekt in der KleingruppeLehr- und LernmethodeGruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.SpracheDeutsch Studiengänge Computer Science and Digital Communications Bachelorstudium, berufsbegleitendmoreComputer Science and Digital Communications Bachelorstudium, VollzeitmoreSoftware Design and Engineering Masterstudium, berufsbegleitendmore
> Deep Learning and Virtual Reality Wahlpflichtmodul… Software Design and Engineering moreDeep Learning and Virtual Reality Wahlpflichtmodul MODUL3SWS6ECTS
> Master Thesis Project UE Software Design and Engineering moreMaster Thesis Project UEVortragende: DI Dr. techn. Mugdim Bublin, Leon Freudenthaler, BSc MSc, FH-Prof. FH-Hon.Prof. Priv.-Doz. Mag. DI. DI. Dr.techn. Karl Michael Göschka, DI Jochen Hense, MBA, FH-Prof. Dipl.-Ing. Heimo Hirner, FH-Prof. DI Dr. Igor Miladinovic, Mag. Dipl.-Ing. Dr.techn. Wolfgang Radinger-Peer, MBA, FH-Prof.in Mag.a Dr.in Sigrid Schefer-Wenzl, MSc BSc, Bernhard Taufner, BSc, MSc2SWS6ECTSLehrinhalteStudierende arbeiten individuell oder in Kleingruppen an Projekten mit Bezug zu Software Design und Software Engineering Technologien und Anwendungen im Kontext hochschulischer F&E-Aktivitäten oder im Rahmen ihrer individuellen Berufstätigkeit. Diese Projekte stellen in weiterer Folge die praxisrelevante Basis für die Masterarbeiten dar.PrüfungsmodusImmanente Leistungsüberprüfung Projektfortschritt, Funktionsnachweis, ProjektpräsentationLehr- und Lernmethode[OFFEN]SpracheDeutsch-Englisch
> Deep Learning – advanced AI and Data Science ILV Computer Science and Digital Communications moreDeep Learning – advanced AI and Data Science ILVVortragende: DI Dr. techn. Mugdim Bublin, Dr. Christian Steineder, Sebastian Ukleja, BSc3SWS6ECTSLehrinhalte- Deep Learning Foundation- Motivation and basic ideas - Basic principles behind algorithms - Deep Learning Algorithms and Networks- Convolutional Neuronal Networks (CNN) - Recurrent Neural Networks (RNN) - Generative Neural Networks (GAN, Autoencoders) - Reinforcement Learning (Deep QNet) - Applications of Deep Learning and Artificial Intelligence for- Medicine, IoT, Industry 4.0, Autonomous Driving, Games etc.PrüfungsmodusImmanente Leistungsüberprüfung - Project work - Exercises during lectures - Final written examLehr- und Lernmethode- Lecture - Group work (project) - Practical exercises - Continuous Discussion and feedbackSpracheEnglisch
> Virtual and Augmented Reality ILV Computer Science and Digital Communications moreVirtual and Augmented Reality ILVVortragende: DI Dr. techn. Mugdim Bublin, Mag. art Philipp Lammer3SWS6ECTSLehrinhalteVirtual und Augmented Reality umfassen Methoden zu Erweiterung der realen Inhalte, um durch intelligente Algorithmen kontextabhängigeInformationen zur Verfügung zu stellen. Virtual und Augmented Reality werden in verschiedenen Bereichen eingesetzt, wie zum Beispiel: Medizin, Industrie, Unterricht, Tourismus und Computerspiele. Um Virtual und Augmented Reality zu ermöglichen, spielen die Methoden der Künstliche Intelligenz und Machine Learning insbesondere Deep Learning eine sehr wichtige Rolle. Virtual und Augmented Reality sind wichtige Komponenten der Cyber-Physical Systeme, die wiederum die Grundlagen für die Digitalisierung und Industrie 4.0 bilden. Die LV deckt insbesondere die folgenden Inhalte ab: - Anwendungsbeispiele zu Virtual und Augmented Reality - Anforderungen an Augmented Reality and Deep Learning Applikationen - Displays, Kameras und andere Sensoren für Virtual und Augmented Reality - Kalibrierung und Filterung - Computer Vision Algorithmen zu Objekt und Szene Erkennung - Lokalisierung, Tracking und Navigation - Deep Learning Algorithmen und Netzarchitekturen, insbesondere CNN und RNN - Einsatz von Deep Learning Algorithmen in Virtual und Augmented Reality ApplikationenPrüfungsmodusEndprüfung GruppenarbeitenLehr- und LernmethodeVortrag, praktische Übungen, Fallstudien, Diskussion der aktuellen Literatur, Implementierung der Algorithmen und ApplikationenSpracheEnglisch
> Deep Learning – advanced AI and Data Science ILV Computer Science and Digital Communications moreDeep Learning – advanced AI and Data Science ILVVortragende: DI Dr. techn. Mugdim Bublin, Dr. Christian Steineder, Sebastian Ukleja, BSc3SWS6ECTSLehrinhalte- Deep Learning Foundation- Motivation and basic ideas - Basic principles behind algorithms - Deep Learning Algorithms and Networks- Convolutional Neuronal Networks (CNN) - Recurrent Neural Networks (RNN) - Generative Neural Networks (GAN, Autoencoders) - Reinforcement Learning (Deep QNet) - Applications of Deep Learning and Artificial Intelligence for- Medicine, IoT, Industry 4.0, Autonomous Driving, Games etc.PrüfungsmodusImmanente Leistungsüberprüfung - Project work - Exercises during lectures - Final written examLehr- und Lernmethode- Lecture - Group work (project) - Practical exercises - Continuous Discussion and feedbackSpracheEnglisch
> Virtual and Augmented Reality ILV Computer Science and Digital Communications moreVirtual and Augmented Reality ILVVortragende: DI Dr. techn. Mugdim Bublin, Mag. art Philipp Lammer3SWS6ECTSLehrinhalteVirtual und Augmented Reality umfassen Methoden zu Erweiterung der realen Inhalte, um durch intelligente Algorithmen kontextabhängigeInformationen zur Verfügung zu stellen. Virtual und Augmented Reality werden in verschiedenen Bereichen eingesetzt, wie zum Beispiel: Medizin, Industrie, Unterricht, Tourismus und Computerspiele. Um Virtual und Augmented Reality zu ermöglichen, spielen die Methoden der Künstliche Intelligenz und Machine Learning insbesondere Deep Learning eine sehr wichtige Rolle. Virtual und Augmented Reality sind wichtige Komponenten der Cyber-Physical Systeme, die wiederum die Grundlagen für die Digitalisierung und Industrie 4.0 bilden. Die LV deckt insbesondere die folgenden Inhalte ab: - Anwendungsbeispiele zu Virtual und Augmented Reality - Anforderungen an Augmented Reality and Deep Learning Applikationen - Displays, Kameras und andere Sensoren für Virtual und Augmented Reality - Kalibrierung und Filterung - Computer Vision Algorithmen zu Objekt und Szene Erkennung - Lokalisierung, Tracking und Navigation - Deep Learning Algorithmen und Netzarchitekturen, insbesondere CNN und RNN - Einsatz von Deep Learning Algorithmen in Virtual und Augmented Reality ApplikationenPrüfungsmodusEndprüfung GruppenarbeitenLehr- und LernmethodeVortrag, praktische Übungen, Fallstudien, Diskussion der aktuellen Literatur, Implementierung der Algorithmen und ApplikationenSpracheEnglisch
> Bachelorarbeit 1 SE Computer Science and Digital Communications moreBachelorarbeit 1 SEVortragende: DI Dr. techn. Mugdim Bublin, FH-Prof. DI Thomas Fischer, Leon Freudenthaler, BSc MSc, FH-Prof. FH-Hon.Prof. Priv.-Doz. Mag. DI. DI. Dr.techn. Karl Michael Göschka, FH-Prof. Dipl.-Ing. Heimo Hirner, FH-Prof. DI Dr. Igor Miladinovic, Mag. Dipl.-Ing. Dr.techn. Wolfgang Radinger-Peer, MBA, FH-Prof.in Mag.a Dr.in Sigrid Schefer-Wenzl, MSc BSc, Silvia Schmidt, BSc MSc, Dr. Christian Steineder, Bernhard Taufner, BSc, MSc1SWS4ECTSLehrinhalte- Selbstständige Bearbeitung einer fachlich relevanten Thematik basierend auf den technischen Themen der Wahlpflichtmodule im 4. und 5. Semester auf wissenschaftlichem Niveau unter Anleitung einer Betreuerin/eines Betreuers - Ausarbeitung der Bachelorarbeit 1PrüfungsmodusEndprüfung Approbation der BachelorarbeitLehr- und LernmethodeDurchführung einer praktischen Arbeit und Ausarbeitung als Bachelorarbeit mit Coaching. Studierende präsentieren in regelmäßigen Abständen die aktuelle Fortentwicklung ihrer Bachelorarbeit 1 und stellen diese zur Diskussion.SpracheDeutsch
> Wahlfach-Projekt 2 UE Computer Science and Digital Communications moreWahlfach-Projekt 2 UEVortragende: DI Dr. techn. Mugdim Bublin, FH-Prof. DI Thomas Fischer, Leon Freudenthaler, BSc MSc, FH-Prof. FH-Hon.Prof. Priv.-Doz. Mag. DI. DI. Dr.techn. Karl Michael Göschka, FH-Prof. DI Dr. Igor Miladinovic, Mag. Dipl.-Ing. Dr.techn. Wolfgang Radinger-Peer, MBA, Silvia Schmidt, BSc MSc, Dr. Christian Steineder, Bernhard Taufner, BSc, MSc2SWS5ECTSLehrinhalteDie Studierenden wenden die erworbenen Fähigkeiten an, um ein Projekt koordiniert und strukturiert abzuwickeln. Dabei definieren sie sich selbständig ein konkretes Teilziel im Projekt. Fundiertes theoretisches Vorgehen wird somit mit praktischer Anwendung kombiniert angewendet. Die Mitarbeit an einem industriellen F&E Projekt bzw. an aktuellen Problemstellung im Rahmen der F&E Tätigkeit der FH ist möglich.PrüfungsmodusEndprüfung Praktisches Projekt in der KleingruppeLehr- und LernmethodeGruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.SpracheDeutsch
> Bachelorarbeit 1 SE Computer Science and Digital Communications moreBachelorarbeit 1 SEVortragende: DI Dr. techn. Mugdim Bublin, FH-Prof. DI Thomas Fischer, Leon Freudenthaler, BSc MSc, FH-Prof. FH-Hon.Prof. Priv.-Doz. Mag. DI. DI. Dr.techn. Karl Michael Göschka, FH-Prof. Dipl.-Ing. Heimo Hirner, FH-Prof.in Mag.a Dr.in Sigrid Schefer-Wenzl, MSc BSc, Silvia Schmidt, BSc MSc, Dr. Christian Steineder, Bernhard Taufner, BSc, MSc, Sebastian Ukleja, BSc1SWS4ECTSLehrinhalte- Selbstständige Bearbeitung einer fachlich relevanten Thematik, primär basierend auf den technischen Themen der Wahlpflichtmodule im 4. und 5. Semester auf wissenschaftlichem Niveau unter Anleitung einer Betreuerin/eines Betreuers - Ausarbeitung der Bachelorarbeit 1PrüfungsmodusEndprüfung Approbation der BachelorarbeitLehr- und LernmethodeDurchführung einer praktischen Arbeit und Ausarbeitung als Bachelorarbeit mit Coaching. Studierende präsentieren in regelmäßigen Abständen die aktuelle Fortentwicklung ihrer Bachelorarbeit 1 und stellen diese zur Diskussion.SpracheDeutsch
> Wahlfach-Projekt 2 UE Computer Science and Digital Communications moreWahlfach-Projekt 2 UEVortragende: DI Dr. techn. Mugdim Bublin, Leon Freudenthaler, BSc MSc, FH-Prof. FH-Hon.Prof. Priv.-Doz. Mag. DI. DI. Dr.techn. Karl Michael Göschka, FH-Prof. Dipl.-Ing. Heimo Hirner, FH-Prof.in Mag.a Dr.in Sigrid Schefer-Wenzl, MSc BSc, Silvia Schmidt, BSc MSc, Dr. Christian Steineder, Bernhard Taufner, BSc, MSc, Sebastian Ukleja, BSc2SWS5ECTSLehrinhalteDie Studierenden wenden die erworbenen Fähigkeiten an, um ein Projekt koordiniert und strukturiert abzuwickeln. Dabei definieren sie sich selbständig ein konkretes Teilziel im Projekt. Fundiertes theoretisches Vorgehen wird somit mit praktischer Anwendung kombiniert angewendet. Die Mitarbeit an einem industriellen F&E Projekt bzw. an aktuellen Problemstellung im Rahmen der F&E Tätigkeit der FH ist möglich.PrüfungsmodusEndprüfung Praktisches Projekt in der KleingruppeLehr- und LernmethodeGruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.SpracheDeutsch