Personendetails

Es wird auf folgende Inhalte eingegangen:

- Einführung, Modus, Motivation

- Grundlagen von Machine Learning (ML) und Deep Learning (DL)

- ML Design: Daten sammeln und vorbereiten, ML/DL Algorithmen auswählen und trainieren, Modelle evaluieren und optimieren, AI-Lösungen im Betrieb einzusetzen

- Interdisziplinäre AI-Anwendungen in Medizin und Industrie entwickeln

- Safety, Security, Ethik und Mensch-AI-Kooperation beim Design der AI-Lösungen einbeziehen

Die Übung deckt die folgenden Inhalte ab:

- Auswahl einer interdisziplinären Anwendung

- ML/DL Pipeline für die Anwendung entwickeln

- Data Engineering

- Einsatz und Evaluierung von ML und DL Algorithmen in der Anwendung

- Einbeziehen von Safety, Security, Ethik und Mensch-AI Kooperation Aspekte in der Anwendung

Fallstudien, praktische Übungen, Vortrag

Endprüfung

Schriftliche Prüfung (50%) - Eigenes Projekt (50%) Zusätzlich sind bis zu 10 Punkte durch die Aktivität zu bekommen: Fragen stellen, Fragen beantworten, zusätzliche Übungen

Die UE deckt die folgenden Inhalte ab:

- Übung 1: Praktisches Ausprobieren und Erleben von verschiedenen VR Anwendungsfällen

- Übung 2: Einfache Anwendung von VR Eingabe-und Ausgabemöglichkeiten

- Übung 3: Modellierung von Daten zur Darstellung in einer Augmented Reality Applikation als Basis für die interaktive Augmented Reality Applikation

- Übung 4: Aufbauend auf Übung 3 wird eine interaktive Augmented Reality Applikation erstellt

- Übung 5: Modellierung von einfachen virtuellen 3D-Modellen, Erstellung eines virtuellen 3D Modells als Basis für die interaktive VR Applikation

- Übung 6: Aufbauend auf Übung 5 wird eine interaktive Virtual Reality Applikation erstellt

Fallstudien, Vortrag, praktische Übung in Gruppen.

Modulprüfung

Es wird auf folgende Inhalte eingegangen:

- Einführung, Modus, Motivation, Basics ML Project

- Machine Learning Project: Data Analysis, Visualisation, Preparation, Model Selection and Training, Evaluation and Optimization

- Klassische ML Algorithmen: Classification & Training , SVM, Decision Trees, Ensamble Learning, Dimensionality reduction & Unsupervised Learning

- Einführung in Deep Learning

- CNN

- Reccurent NN (RNN)

- Generative DL (GAN)

- Reinforcement Learning (RL)

- Deep learning und Virtual Reality: Robotik, Spiele

Fallstudien, praktische Übungen, Vortrag

Modulprüfung

- Übungen (30%)

- Schriftliche Prüfung (50%)

- Eigenes Projekt (20%)

Zusätzlich sind bis zu 20 Punkte durch die Aktivität zu bekommen: Fragen stellen, Fragen beantworten, zusätliche Übungen usw,

Studierende 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.

-

Immanente Leistungsüberprüfung

Projektfortschritt, Funktionsnachweis, Projektpräsentation

- Vertiefung der Grundprinzipien des wissenschaftlichen Arbeitens

- Lesen, Verstehen und Interpretieren von facheinschlägigen wissenschaftlichen Texten

- Literaturrecherchen

- formalen Methoden wissenschaftlicher Arbeit

- Studierende präsentieren in regelmäßigen Abständen die aktuelle Fortentwicklung ihrer Masterarbeit und stellen diese zur Diskussion im Plenum

Vortrag, Case Studies

Immanente Leistungsüberprüfung

Präsentationen, Hausübungen

Software Engineering Projekt 1 ermöglicht Studierenden, das im Studium erworbene Wissen in einem konkreten Projekt umzusetzen. Im ersten Semester wird ein konkretes Problem analysiert und unter Anwendung von Methoden des Advanced Projektmanagements ein Design für die Software Lösung ausgearbeitet. Diese Lösung wird dann im Software Projekt im zweiten Semester implementiert.

Die LV deckt insbesondere die folgenden Inhalte ab:

- Anwendung vom modernen Projektmanagementmethoden an einem konkreten Projekt

- Formulierung, Klassifizierung und Priorisierung von Requirements für eine konkrete Problemstellung

- Verwendung von UML Diagrammen (Use Case, Klassen-, Aktivitäts- und Sequenzdiagrammen) für Software Design Entwurf, um Requirements zu erfüllen

- Strukturierte und standardisierte Dokumentation von Ergebnissen als ein High Level Design Dokument, das als Basis für die Implementierung dient.

Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching

Endprüfung

Projektabgabe

Software Engineering Projekt 2 ermöglicht Studierenden, das im Studium erworbene Wissen in einem konkreten Projekt umzusetzen. Im zweiten Semester wird ausgehend von Anforderungen und Designentwurf aus dem Software Design Projekt im ersten Semester die Software Lösung unter Anwendung von modernen Software Development Methoden und Tools implementiert. Diese implementierte Lösung wird anschließend systematisch getestet und Verbesserungen eingearbeitet.

Die LV deckt insbesondere die folgenden Inhalte ab:

- Implementierung von Klassen und Datenstrukturen auf Basis vom High Level Design Dokument

- Verwendung von Softwarealgorithmen für die Implementierung von Aktivitäts- und Sequenzdiagrammen

- Definition und Priorisierung von Testfällen unter Berücksichtigung von Anforderungen

- Durchführung von Testszenarien mit aktuellen Testwerkzeugen

Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching

Endprüfung

Projektabgabe.

Studierende absolvieren ein Praktikum/Internship (PR), 10 ECTS, 2 SWS (prüfungsimmanent) oder alternativ ein Forschungsprojekt, 10 ECTS, 2 SWS (prüfungsimmanent).

Auf das Praktikum entfallen ca. 225 Stunden, auf den Praktikumsbericht ca. 25 Stunden.

Die Wahl des Praktikums bzw. des Forschungsprojektes ist vorab von der Studiengangsleitung zu genehmigen.

Es wird dringend empfohlen, ein Berufspraktikum zu absolvieren. Sollte dafür kein Praktikumsplatz zur Verfügung stehen, so kann alternativ unter Anleitung eines*r Betreuer*in ein kleineres Forschungsprojekt wie oben beschrieben absolviert werden.

Berufspraktikum

Endprüfung

Abgabe eines Praktikumsberichts.

Studierende absolvieren ein Praktikum/Internship (PR), 10 ECTS, 2 SWS (prüfungsimmanent) oder alternativ ein Forschungsprojekt, 10 ECTS, 2 SWS (prüfungsimmanent).

Auf das Praktikum entfallen ca. 225 Stunden, auf den Praktikumsbericht ca. 25 Stunden.

Die Wahl des Praktikums bzw des Forschungsprojektes ist vorab von der Studiengangsleitung zu genehmigen.

Es wird dringend empfohlen, ein Berufspraktikum zu absolvieren. Sollte dafür kein Praktikumsplatz zur Verfügung stehen, so kann alternativ unter Anleitung eines*r Betreuer*in ein kleineres Forschungsprojekt wie oben beschrieben absolviert werden.

Berufspraktikum

Endprüfung

Abgabe eines Praktikumsberichts.

- Kritische Analyse der klassischen ML Algorithmen

- Standard DL Algorithmen: CNN, RNN, Generative Netze

- Moderne DL Architekturen für Natural Language Processing (NLP): Attention, Transformer, GPT, BERT usw.

- Anwendungen der ML im allgemeinen und DL in besonderen auf NLP: Text verstehen, Übersetzung, Sprache und Text generieren, Web Suche, Wissensgeneration

- Einschränkungen der DL

Theoretischer Unterricht , Diskussion der praktischen Beispiele, eigenes DL-Projekt

Modulprüfung

- Kritische Analyse der klassischen ML Algorithmen

- Standard DL Algorithmen: CNN, RNN, Generative Netze

- Moderne DL Architekturen für Natural Language Processing (NLP): Attention, Transformer, GPT, BERT usw.

- Anwendungen der ML im allgemeinen und DL in besonderen auf NLP: Text verstehen, Übersetzung, Sprache und Text generieren, Web Suche, Wissensgeneration

- Einschränkungen der DL

Theoretischer Unterricht , Diskussion der praktischen Beispiele, eigenes DL-Projekt

Modulprüfung

- Selbstständige Bearbeitung einer fachlich relevanten Thematik basierend auf den technischen Themen der Wahlpflichtmodule im dritten Semester auf wissenschaftlichem Niveau unter Anleitung eines*r Betreuer*in

- Ausarbeitung der Masterarbeit

Selbstständiges Arbeiten unterstützt durch Coaching

Endprüfung

Approbation der Masterarbeit (Seminararbeit)

- 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.

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Immanente Leistungsüberprüfung

- Project work

- Exercises during lectures

- Final written exam

- 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 1

Durchführung 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.

Endprüfung

Approbation der Bachelorarbeit

- Selbstständige Bearbeitung einer fachlich relevanten Thematik basierend auf den technischen Themen der Wahlpflichtmodule und eventeuell der Bachelorarbeit 1 auf wissenschaftlichem Niveau unter Anleitung einer Betreuerin/eines Betreuers

- Ausarbeitung der Bachelorarbeit 2

Durchführung einer praktischen Arbeit und Ausarbeitung als Bachelorarbeit mit Coaching. Studierende präsentieren in regelmäßigen Abständen die aktuelle Fortentwicklung ihrer Bachelorarbeit 2 und stellen diese zur Diskussion.

Endprüfung

Approbation der Bachelorarbeit

- 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 in other disciplines, including Medicine, IoT, Industry 4.0, Autonomous Driving, and Games.

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Endprüfung

Performance assessment is done according to: - Project work - Exercises during lectures - Final written or oral exam

- Mathematical Basics of AI and Data Science- Linear Algebra

- Probability Theory and Statistics

- Optimization

- Introduction to Artificial Intelligence- Problem Solving and Heuristic Search

- Logic and Knowledge Representation

- Planning, Learning and Decision Making under Uncertainty

- Data Science and Machine Learning Fundamentals- Data Collection, Cleaning, Filtering

- Model Building

- Model Evaluation

- Definition of Machine Learning and classes of Machine Learning Algorithms

- Machine Learning Classifiers

- Evaluation of Machine Learning Algorithms

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Immanente Leistungsüberprüfung

- Project work

- Exercises during lectures

- Final written exam

Die 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.

Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.

Endprüfung

Praktisches Projekt in der Kleingruppe

- 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.

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Immanente Leistungsüberprüfung

- Project work

- Exercises during lectures

- Final written exam

- 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 1

Durchführung 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.

Endprüfung

Approbation der Bachelorarbeit

- Selbstständige Bearbeitung einer fachlich relevanten Thematik basierend auf den technischen Themen der Wahlpflichtmodule und eventeuell der Bachelorarbeit 1 auf wissenschaftlichem Niveau unter Anleitung einer Betreuerin/eines Betreuers

- Ausarbeitung der Bachelorarbeit 2

Durchführung einer praktischen Arbeit und Ausarbeitung als Bachelorarbeit mit Coaching. Studierende präsentieren in regelmäßigen Abständen die aktuelle Fortentwicklung ihrer Bachelorarbeit 2 und stellen diese zur Diskussion.

Endprüfung

Approbation der Bachelorarbeit

- 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 in other disciplines, including Medicine, IoT, Industry 4.0, Autonomous Driving, and Games.

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Endprüfung

Performance assessment is done according to: - Project work - Exercises during lectures - Final written or oral exam

- Mathematical Basics of AI and Data Science- Linear Algebra

- Probability Theory and Statistics

- Optimization

- Introduction to Artificial Intelligence- Problem Solving and Heuristic Search

- Logic and Knowledge Representation

- Planning, Learning and Decision Making under Uncertainty

- Data Science and Machine Learning Fundamentals- Data Collection, Cleaning, Filtering

- Model Building

- Model Evaluation

- Definition of Machine Learning and classes of Machine Learning Algorithms

- Machine Learning Classifiers

- Evaluation of Machine Learning Algorithms

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Immanente Leistungsüberprüfung

- Project work

- Exercises during lectures

- Final written exam

Die Studierenden lernen anhand einer praktischen, konkreten Aufgabenstellung, das theoretische Wissen über Projekte und Implementierungen in die Praxis umzusetzen. Sie handeln eigenverantwortlich und selbständig und dokumentieren ihre Arbeit nachvollziehbar und detailliert. Die Mitarbeit an einem industriellen F&E Projekt bzw. an aktuellen Problemstellung im Rahmen der F&E Tätigkeit der FH ist möglich.

Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.

Modulprüfung

Die 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.

Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.

Endprüfung

Praktisches Projekt in der Kleingruppe