Masterstudium

Multilingual Technologies

Multilingual Technologies

berufsbegleitend

 

Multilingual Technologies

Zukunftsorientiertes Ausbildungsprofil

Multilingual Technologies verknüpft Sprache und IT. Der in Österreich einzigartige Master wird in Kooperation mit dem Zentrum für Translationswissenschaften der Uni Wien angeboten und richtet sich an alle, die bereits einen Abschluss in einem technischen oder translationswissenschaftlichen Bachelorstudium haben und sich für Sprachtechnologien sowie multilinguale Lösungen und Konzepte interessieren. Der interdisziplinäre Charakter des Studiums befähigt für zukunftsorientierte Berufsfelder, etwa in der Sprachtechnologie oder im Bereich maschinelle Übersetzung.

Department
Technik
Thema
Technologien

Highlights

  • Interdisziplinärer Charakter

  • Zukunftsorientiertes Berufsfeld

  • In Österreich einzigartiges Masterstudium

     

    Facts

    Abschluss

    Master of Science (MSc)

    Studiendauer
    4 Semester
    Organisationsform
    berufsbegleitend

    Studienbeitrag pro Semester

    € 363,361

    + ÖH Beitrag + Kostenbeitrag2

    ECTS
    120 ECTS
    Unterrichtssprache
    Englisch

    Bewerbung Wintersemester 2024/25

    06. November 2023 - 30. April 2024

    Studienplätze

    30

    1 Studienbeitrag für Studierende aus Drittstaaten € 727,- pro Semester

    2 für zusätzliche Aufwendungen rund ums Studium (derzeit bis zu € 83,- je nach Studiengang bzw. Jahrgang)

    Perspektiven

    Alle Videos
    <
    >

    Multilingual Technologies vereint Personen aus Sprach- und Computerwissenschaften

    „Das Coolste an meinem Studium ist, dass wir eine kleine Gruppe von 14 Leuten sind“, sagt Lukas Felser. Er studiert im Master Multilingual Technologies an der FH Campus Wien.

    05:16

    Mit geisteswissenschaftlichem Hintergrund einen technischen Master machen

    "Das Coolste am Studium ist, dass wir Professor*innen haben, die uns motivieren und Verständnis haben - und das gibt mir Energie weiterzulernen", so Diana Khanyafina. Sie studiert Multilingual Technolgies im Master an der FH Campus Wien.

    03:45

    Vor dem Studium

    Sie haben bereits einen Abschluss in einem technischen oder translationswissenschaftlichen Bachelorstudium und interessieren sich für Sprachtechnologien sowie multilinguale Lösungen und Konzepte. Mit diesem gemeinsamen Masterstudium der FH Campus Wien und dem Zentrum für Translationswissenschaft der Universität Wien verknüpfen Sie Ihr Wissen rund um Sprache und IT in einem zukunftsorientierten Ausbildungsprofil.

    Das spricht für Ihr Studium bei uns

    In interdisziplinären Studierenden- oder Forschungsprojekten mitarbeiten

    So sind Spaß und Erfahrung vorprogrammiert!

    Praxis am Campus

    Moderne Laborausstattung und High-Tech-Forschungsräumlichkeiten ermöglichen praxisorientierten Unterricht.

    Einzigartige Jobchancen

    Erwerben Sie bereits während Ihres Studiums zusätzliche Zertifizierungen und steigern Sie Ihren Marktwert.

    Die Zulassung zum Masterstudium Multilingual Technologies setzt einen fachlich in Frage kommenden Bachelorabschluss (z. B. Computer Science and Digital Communications der FH Campus Wien oder Transkulturelle Kommunikation der Universität Wien) sowie folgende fachspezifische Kenntnisse voraus:

    a. Grundkenntnisse der Sprachtechnologien und Fachkommunikation

    b. Grundlagen der Informatik, grundlegende Methoden und Tools des Software Engineerings

    Kenntnisse angeführt unter a) sind durch das Bachelorstudium Transkulturelle Kommunikation oder die Absolvierung des Erweiterungscurriculums Sprachtechnologien und Fachkommunikation am Zentrum für Translationswissenschaft erfüllt. Kenntnisse angeführt unter b) sind durch das Bachelorstudium Computer Science and Digital Communications oder die Absolvierung des Erweiterungscurriculums Informatik (für Studierende der Universität Wien) an der FH Campus Wien erfüllt.

    Die Bewerbung erfolgt über das Online-Bewerbungsformular.

    Für Ihre Online-Bewerbung brauchen Sie folgende Dokumente:

    •     Geburtsurkunde
    •     Staatsbürgerschaftsnachweis/Reisepass
    •     Hochschulabschluss (Zeugnis des Bachelor- oder Diplomstudien-Abschlusses / gleichwertiges ausländisches Zeugnis)
    •     Transcript of Records
    •     Nachweis Erweiterungs-Curriculum
    •     Motivationsschreiben in Englisch
    •     Sprachnachweis Englisch (Minimum Level B2)
    •     Kurzlebenslauf
    •     Gegebenfalls Übersetzung fremdsprachiger Dokumente

     

    Bitte beachten Sie:
    Ein Zwischenspeichern der Online-Bewerbung ist nicht möglich. Sie müssen Ihre Bewerbung in einem Durchgang abschließen. Ihre Bewerbung ist gültig, sobald alle verlangten Dokumente und Unterlagen bei uns eingelangt sind (bevorzugt per E-Mail, aber auch per Post oder persönlich im Sekretariat). Sollten zum Zeitpunkt Ihrer Bewerbung noch Dokumente fehlen (z.B. Zeugnisse), so können Sie diese auch später nachreichen.

      Das Aufnahmeverfahren umfasst ein Gespräch mit Mitgliedern der Aufnahmekommission (Vertreter*innen von der Universität Wien und der FH Campus Wien). Dieses Gespräch findet bis auf Weiteres online statt. Den Termin für das Aufnahmeverfahren erhalten Sie vom Sekretariat.

      • Ziel
        Ziel ist es, jenen Personen einen Studienplatz anzubieten, die das Aufnahmeverfahren mit den besten Ergebnissen abschließen. Die Testverfahren orientieren sich an den Fähigkeiten, die für den angestrebten Beruf erforderlich sind.
      • Ablauf
        Im Bewerbungsgespräch beantworten Sie einige grundlegende fachspezifische Fragen, einige Fragen zu Ihrer Person und erläutern Ihre Motivation für die Studienwahl (Dauer: ca. 30 Minuten). Wenn Sie das geforderte Einstiegsniveau für das Studium noch nicht erreicht haben, erhalten Sie nach der Aufnahme Empfehlungen, wie Sie sich fachspezifisch am besten vorbereiten können.
      • Kriterien
        Die Aufnahmekriterien sind ausschließlich leistungsbezogen. Für das mündliche Bewerbungsgespräch erhalten Sie Punkte. Daraus ergibt sich die Reihung der Kandidat*innen. Geographische Zuordnungen der Bewerber*innen haben keinen Einfluss auf die Aufnahme. Die Zugangsvoraussetzungen müssen erfüllt sein. Der Gesamtprozess sowie alle Testergebnisse und Bewertungen des Aufnahmeverfahrens werden nachvollziehbar dokumentiert und archiviert.

      Berufsbegleitend studieren mit dem waff-Stipendium für Frauen

      Der waff – Wiener Arbeitnehmer*innen Förderungsfonds unterstützt Frauen, die berufsbegleitend in den Bereichen Digitalisierung, Technik und Ökologie studieren wollen. Unter anderem wartet ein Stipendium in Höhe von 10.000 Euro für ein Bachelor- und 7.500 Euro für ein Masterstudium auf Sie. Detaillierte Informationen und Voraussetzungen finden Sie auf der Website des waff: waff – Frauen, Beruf und Studium

      Für weitere Förderungsmöglichkeiten besuchen Sie unsere Seite Förderungen und Stipendien.
       


      Im Studium

      Dieses in Österreich einzigartige und auch im internationalen Vergleich innovative Masterstudium legt den Schwerpunkt auf Sprachtechnologien, Methoden zu deren Erstellung und Verwendung sowie auf Sprachressourcen. Es weist durch die Verbindung translatorischer, transkultureller, computerwissenschaftlicher und sprachwissenschaftlicher Fachbereiche einen stark interdisziplinären Charakter auf.

      Das gemeinsame Masterstudium wird am Department Technik der FH Campus Wien und am Zentrum für Translationswissenschaft der Universität Wien angesiedelt sein. Es verbindet somit die besonderen Profilelemente, fachlichen Stärken und wissenschaftlichen Expertisen beider Institutionen zu einem zukunftsorientierten interdisziplinären Bildungs- und Ausbildungsprofil

      Neben Qualifikationen für die Grundlagenforschung erwerben Sie Fähigkeiten der angewandten Forschung. Studierende erlangen Kenntnis der Grundkonzepte von Sprachtechnologien und Sprachressourcen mit einem besonderen Fokus auf multilinguale Lösungen und Konzepte, sowie umfassendes Methodenwissen und praktische Fertigkeiten in aktuellen Forschungstechniken. Zusätzlich erwerben Studierende spezialisierte Expertise in einem Bereich der Sprachtechnologien, z.B. Übersetzungstechnologien oder multilinguale Informationsextraktion.

      Lehrveranstaltungsübersicht

      Modul Language Technologies

      Language Technologies

      3 SWS   6 ECTS

      Lernergebnisse

      • Lernziele sind der Erwerb von grundlegenden Kenntnissen der Computerlinguistik, Übersetzungstechnologien und Speech Technologies als Grundvoraussetzung für verschiedene Bereiche der Sprachtechnologien. Studierende entwickeln neben theoretischer Kenntnis die Fähigkeit, eine fundierte Auswahl aus diesen Technologien anzupassen, zu entwickeln und in den Arbeitsabläufen der internationalen Praxis der Sprach-, Übersetzungs- und Softwareindustrie einzusetzen.

      3 SWS
      6 ECTS
      Introduction to Computational Linguistics | ILV

      Introduction to Computational Linguistics | ILV

      3 SWS   6 ECTS

      Inhalt

      • Einführung in die Konzepte und Richtungen traditioneller Sprachwissenschaft
      • Klassische Aufgabenstellungen der Computerlinguistik
      • Vorstellung verschiedener Methoden zur Sprachverarbeitung von Tokenisierung bis hin zur Sentimentanalyse
      • Verschiedene NLP-Systeme und computerlinguistischer Analysemodelle
      • Diskussion des aktuellen Stands der Forschung sowie weiterführende Forschungsideen
      • Praktische Einarbeitung in grundlegende Methoden der automatischen Sprachverarbeitung

      Lernergebnisse

      • Studierende sind vertraut mit verschiedenen Aufgabenstellungen und Methoden der Computerlinguistik und können einige ausgewählte davon auch praktisch implementieren.

      Lehrmethode

      Vortrag/Vorlesung, Praktische Übungen, Präsentationen, Diskussionen, Feedback.

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Schriftliche Abschlussprüfung, laufende Abgaben von Implementierungen, Präsentationen.

      Literatur

      Unterrichtssprache

      Englisch

      3 SWS
      6 ECTS
      Modul Machine Learning Fundamentals for Language Processing

      Machine Learning Fundamentals for Language Processing

      5 SWS   10 ECTS

      Lernergebnisse

      • Die Studierenden sind in der Lage, grundlegende Konzepte und die Funktionsweise des maschinellen Lernens im Bereich Sprachverarbeitung zu erläutern. Studierende lernen grundlegende Sprach- und Text-Repräsentationsmodelle, je nach aktuellem Stand der Forschung. Studierende lernen verschiedene Machine Learning Algorithmen für Text und Sprachklassifikation, vorrangig aus dem Bereich des statistischen Machine Learning, da Deep learning in Module M4 im Vordergrund stehen, und wenden sie an praxisrelevanten Fallbeispielen aus Text- und Spracherkennung an. Die LV adressiert die gesamte Pipeline zur statistisch fundierten Anwendung von Machine Learning Algorithmen an Sprache und Text: von Datenaufarbeitung, Bereinigung und Repräsentation über die Modellauswahl bis zu Bewertung der Ergebnisse und Optimierung.

      5 SWS
      10 ECTS
      Introduction to Machine Learning for Language Processing | ILV

      Introduction to Machine Learning for Language Processing | ILV

      3 SWS   6 ECTS

      Inhalt

      • ML-Definition, Anwendungsgebiete und Klassifikation der ML-Algorithmen (Supervised, Unsupervised, Reinforcement Learning)
      • Klassische ML-Algorithmen: kNN, Decision Trees, Naïve Bayes, NN, SVM, Ensamble Learning und Random Forest
      • Typische Vorgehensweise bei ML-Projekten: Anforderungen definieren, Daten sammeln, filtern und darstellen, Features definieren und extrahieren, Algorithmen einsetzen und deren Performance evaluieren, iterative ML-Pipeline verbessern.
      • Einführung in Deep Learning: CNN, RNN, Generative Networks

      Lernergebnisse

      • Die Studierenden sind in der Lage selbständig ML-Projekte durchzuführen und verschiedene ML-Algorithmen und Methoden richtig einzusetzen und kritisch zu evaluieren.

      Lehrmethode

      Theorievermittlung in Unterricht, Diskussion der praktischen Beispiele, Eigenes ML-Projekt

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Teilnahme an Diskussionen, Ausarbeitung der Übungsbeispiele, Eigenes ML-Projekt, schriftliche Prüfung

      Literatur

      • Bishop, C. M. (2007). Pattern Recognition and Machine Learning. Springer.
      • Duda, R. O., Hart, P. E., & Stork, D. G. (2012). Pattern classification. John Wiley & Sons.
      • Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media.
      • Mitchell, T. (1997). Machine Learning. McGraw-Hill.
      • Theodoridis, S. (2008). Pattern Recognition. Elsevier.

      Unterrichtssprache

      Englisch

      3 SWS
      6 ECTS
      Statistical Methods for Language Processing | ILV

      Statistical Methods for Language Processing | ILV

      2 SWS   4 ECTS

      Inhalt

      • Wahrscheinlichkeitsrechnung
      • Daten analysieren, filtern und visualisieren
      • Testen der Hypothesen
      • Statistische Schätzer
      • Experiment Design
      • Vorgehensweise in statistischen Projekten

      Lernergebnisse

      • Die Studierenden sind in der Lage, selbständig statistische Projekte durchzuführen und verschiedene statistische Methoden richtig einzusetzen und kritisch zu evaluieren. Die Studierende haben die Grundlagen erworben weiterführende LVen wie ML zu verstehen.

      Lehrmethode

      Theorievermittlung in Unterricht, Diskussion der praktischen Beispiele, Eigenes Projekt

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Aktivität bei Vorlesungen und Übungen: Teilnahme an Diskussionen, Ausarbeitung der Übungsbeispiele, eigenes statistisches Projekt, schriftliche Prüfung

      Literatur

      • Hand, D., Mannila, H., & Smyth, P. (2001). Principles of data mining. MIT Press.
      • Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction. Springer Science & Business Media.
      • Hogg, R. V., Tanis, E. A., & Zimmerman, D. L. (2010). Probability and statistical inference. Pearson/Prentice Hall.

      Unterrichtssprache

      Englisch

      2 SWS
      4 ECTS
      Modul Multilingual Communication

      Multilingual Communication

      4 SWS   8 ECTS

      Lernergebnisse

      • Studierende erwerben Grundlagen multilingualer und sprachübergreifender Methoden in Sprachtechnologien sowie in der Kollaboration in interdisziplinären, transkulturellen und multilingualen Teams, und Grundlagen verschiedener Arten und Darstellungsmethoden sowie Verwaltungsmethoden von Sprachressourcen, wie etwa Terminologien oder Computerlexika.

      4 SWS
      8 ECTS
      Multilingual and Crosslingual Methods and Language Resources | VO

      Multilingual and Crosslingual Methods and Language Resources | VO

      2 SWS   4 ECTS

      Inhalt

      • Verschiedene Arten der Sprachressourcen (Terminologie, Lexikon, Kontrolliertes Vokabular, Thesaurus etc.)
      • Methoden zur Darstellung, Erstellung, Verbreitung und Verwendung von multilingualen Sprachressourcen einschließlich des Ansatzes der Linguistic Linked Open Data (LLOD) und der linguistischen Data Science im Allgemeinen
      • Multilinguale und crosslinguale Methoden zur Verbesserung der Kommunikation mithilfe von Sprachressourcen und computerlinguistischen Ansätzen
      • Praktische Beispiele aus dem Bereich der LLOD

      Lernergebnisse

      • Studierende sind mit verschiedenen Arten der Sprachressourcen vertraut und kennen Methoden zu deren Erstellung, Verbreitung, Darstellung und Nutzung. Studierende sind insbesondere mit dem Konzept und der möglichen Anwendungen von Linguistic Linked Open Data (LLOD) vertraut. Studierende sind mit der Publikation und Nutzung von Sprachressourcen in der LLOD vertraut.

      Lehrmethode

      Vorlesung/Vortrag, Diskussion, Falllösungen.

      Prüfungsmethode

      Endprüfung: Schriftliche Endprüfung.

      Literatur

      • Ammar, W., Mulcaire, G., Tsvetkov, Y., Lample, G., Dyer, C., & Smith, N. A. (2016). Massively multilingual word embeddings. arXiv preprint arXiv:1602.01925.
      • Bosque-Gil, J., Gracia, J., Montiel-Ponsoda, E., & Gómez-Pérez, A. (2018). Models to represent linguistic linked data. Natural Language Engineering, 24(6), 811-859.
      • Chiarcos, C., McCrae, J., Cimiano, P., & Fellbaum, C. (2013). Towards open data for linguistics: Linguistic linked data. In New Trends of Research in Ontologies and Lexical Resources (pp. 7-25). Springer, Berlin, Heidelberg.
      • Cimiano, P., Chiarcos, C., McCrae, J. P., & Gracia, J. (2020). Linguistic Linked Data in Digital Humanities. In Linguistic Linked Data (pp. 229-262). Springer, Cham.
      • Forkel, R. (2014). The cross-linguistic linked data project. In 3rd Workshop on Linked Data in Linguistics: Multilingual Knowledge Resources and Natural Language Processing (p. 61).
      • McCrae, J. P., Moran, S., Hellmann, S., & Brümmer, M. (2015). Multilingual linked data. Semantic Web, 6(4), 315-317.
      • McCrae, J. P., Bosque-Gil, J., Gracia, J., Buitelaar, P., & Cimiano, P. (2017). The Ontolex-Lemon model: development and applications. In Proceedings of eLex 2017 conference (pp. 19-21).
      • Ruder, S., Vulić, I., & Søgaard, A. (2019). A survey of cross-lingual word embedding models. Journal of Artificial Intelligence Research, 65, 569-631.

      Unterrichtssprache

      Englisch

      2 SWS
      4 ECTS
      Translation Technologies | VO

      Translation Technologies | VO

      2 SWS   4 ECTS

      Inhalt

      • Einführung in verschiedene Arten der Übersetzungstechnologien von computergestützter Übersetzung (CAT) bis zur automatisierten maschinellen Übersetzung
      • Kritische Analyse der Wahrnehmung verschiedener Technologien im Unternehmen sowie Vor- und Nachteile jeder einzelnen Technologie
      • Überblick über verschiedene Hilfsmittel und verfügbare Systeme in den jeweiligen Technologien
      • Überblick über den aktuellen Forschungsstand und interessante offene Forschungsfragen in diesem größeren Themenbereich
      • Einblicke in Methoden der Qualitätsverbesserung von Pre- und Post-Editing bis hin zum Revisionsprozess in der Übersetzung
      • Praktische Arbeit mit einem System der computergestützten Übersetzung

      Lernergebnisse

      • Studierende können verschiedene Arten der Übersetzungstechnologie unterscheiden und sind sich der Anwendungsbereiche der verschiedenen Technologien bewusst, da sie eingehend theoretisch und praktisch deren Unterschiede kennen gelernt haben.

      Lehrmethode

      Vorlesung/Vortrag, Praktische Übungen, Diskussionen, Feedback, Falllösungen.

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Schriftliche Endprüfung, praktische Übungen, Präsentationen.

      Literatur

      • Baker, M., & Saldanha, G. (2019). Routledge encyclopedia of translation studies. Routledge.
      • Bowker, L. (2014). Computer-aided translation: translator training. In Routledge encyclopedia of translation technology (pp. 126-142). Routledge.
      • Gambier, Y., & Van Doorslaer, L. (Eds.). (2010). Handbook of translation studies (Vol. 1). John Benjamins Publishing.
      • Jakobsen, A. L., & Mesa-Lao, B. (Eds.). (2017). Translation in transition: between cognition, computing and technology (Vol. 133). John Benjamins Publishing Company.

      Unterrichtssprache

      Englisch

      2 SWS
      4 ECTS
      Modul Software Development for Language Technologies

      Software Development for Language Technologies

      3 SWS   6 ECTS

      Lernergebnisse

      • Nach Abschluss dieses Moduls sind Studierenden in der Lage, Problemstellungen im Bereich der Computerlinguistik und Sprachtechnologien, z. B. Alignierung multilingualer Begriffe, zu verstehen und mittels Algorithmen zu lösen. Grundkenntnisse der Softwareentwicklung, Programmierung und Algorithmen werden für den Beginn dieses Masterstudiums vorausgesetzt und lediglich im Überblick am Beginn der Vorlesung dieses Moduls wiederholt. Python-Sprachkonzepte (Syntax und Semantik) bilden die vorausgesetzte Grundlage für dieses Modul und werden im Bereich der Computerlinguistik und Sprachtechnologien angewandt.

      • Die Studierenden wählen geeignete State-of-the-Art Softwareentwicklungstools im Bereich der Computerlinguistik und Sprachtechnologien aus und setzen diese auch für kollaboratives Arbeiten in einem Entwickler*innenteam ein. Studierenden sind weiters in der Lage, Probleme und Abläufe zu strukturieren und deren Zusammenhänge zu erkennen.

      • Darauf aufbauend beherrschen Studierenden Techniken zum Indexieren und Retrieval von informellen, unstrukturierten Informationen aus elektronischen, multilingualen Quellen. Das Modul behandelt Algorithmen, Design und Implementierung moderner Information-Retrieval- und Text-Mining-Systeme, wobei diese in Modul M2 vertieft werden.

      3 SWS
      6 ECTS
      Programming and Algorithms for Language Technologies | VO

      Programming and Algorithms for Language Technologies | VO

      1 SWS   2 ECTS

      Inhalt

      Die Lehrveranstaltung vermittelt Programmierkenntnisse mit Hilfe der Programmiersprache Python. Basiswissen wird vorausgesetzt, am Beginn der LV werden die Grundlagen wiederholt.
      Auch Techniken wie das Debuggen und die Verwendung von Git zur Versionsverwaltung werden besprochen.
      Außderm werden folgende Themenbereiche behandelt:
       * Datenstrukturen
       * Reguläre Ausdrücke und Suchalgorithmen (A*-Algorithmus, Beam Search, ...)
       * Verwendung von Application Programming Interfaces (APIs), JSON, XML
       * Grundlagen des Information Retrieval

      Lernergebnisse

      • Nach Abschluss der LV sind die Studierenden in der Lage, praxisnahe Aufgaben- und Problemstellungen zu erfassen, Probleme und Abläufe zu strukturieren und deren Zusammenhänge zu erkennen und anschließend in Programme zu übersetzen.

      Lehrmethode

      Vorlesung/Vortrag.

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Teilleistungen in Form von Einzelarbeit, Gruppenarbeit und Präsentationen.

      Mündliche Endprüfung.

      Literatur

      • Brooks, A. T. (2019). Python for Beginners: A Smarter Way to Learn Python in 5 Days and Remember it Longer. With Easy Step by Step Guidance and Hands on Examples. Arthur T. Books.
      • Chan, J. (2017). Learn Python in One Day and Learn It Well. Python for Beginners with Hands-on Project (Learn Coding Fast with Hands-On Project Book 1). CreateSpace Independent Publishing.
      • Lacey, N. (2019). Python by Example: Learning to Program in 150 Challenges. Cambridge University Press.
      • Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008.

      Unterrichtssprache

      Englisch

      1 SWS
      2 ECTS
      Programming and Algorithms for Language Technologies | UE

      Programming and Algorithms for Language Technologies | UE

      2 SWS   4 ECTS

      Inhalt

      Die LV vermittelt Grundbegriffe der objektorientierten Programmierung mit Hilfe der Programmiersprache Python. Es werden Konzepte von Programmiersprachen, wie Kontrollstrukturen, elementare Datentypen, Datenstrukturen, Klassen, Objekte und Funktionen gelehrt. Weiters wird der Entwurf von Programmen, sowie deren Analyse und Techniken zum Debuggen, Tracing und Testen vermittelt.

      Die LV deckt insbesondere die folgenden Inhalte ab:

      • Grundlagen der Programmierung
      • Variablen und Datentypen
      • Operatoren
      • Kontrollstrukturen
      • Fehlerbehandlung
      • Grundlagen der Objektorientierung
      • Sortieralgorithmen
      • Suchalgorithmen

      Lernergebnisse

      • Nach Abschluss der LV sind die Studierenden in der Lage, praxisnahe Aufgaben- und Problemstellungen zu erfassen, Probleme und Abläufe zu strukturieren und deren Zusammenhänge zu erkennen und anschließend in Programme zu übersetzen.

      Lehrmethode

      Kleingruppenarbeit, Praktische Übungen, Präsentation von erarbeiteten Ergebnissen.

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Teilleistungen in Form von Gruppenarbeit und Präsentationen

      Literatur

      • Brooks, A. T. (2019). Python for Beginners: A Smarter Way to Learn Python in 5 Days and Remember it Longer. With Easy Step by Step Guidance and Hands on Examples. Arthur T. Books.
      • Chan, J. (2017). Learn Python in One Day and Learn It Well. Python for Beginners with Hands-on Project (Learn Coding Fast with Hands-On Project Book 1). CreateSpace Independent Publishing.
      • Lacey, N. (2019). Python by Example: Learning to Program in 150 Challenges. Cambridge University Press.

      Unterrichtssprache

      Englisch

      2 SWS
      4 ECTS

      Modul Applied Machine Learning for Language Processing

      Applied Machine Learning for Language Processing

      3 SWS   6 ECTS

      Lernergebnisse

      • Aufbauend auf Modul M1 und M3 werden mittels geeigneten Programmier-/Skriptsprachen große und komplexe Text- und Sprach-Datensätze mit modernen Deep Learning Algorithmen analysiert. Es werden moderne Ansätze verteilter Text- und Wort-Repräsentationen sowie die neusten Entwicklungen aus dem Bereich der Deep Learning Ansätze, z. B. derzeit Transformer mit Attention-Mechanismus, vermittelt. Der Fokus liegt auf Ansätzen für die Verarbeitung und Darstellung von multilingualen Texten und Daten. Die Studierenden lernen modernste Methoden und Algorithmen kennen, durch die State-of-the-Art Leistung in Text- und Spracherkennung und Übersetzung möglich wird.

      Prüfungsmethode

      : Teilnahme an Diskussionen, Ausarbeitung der Übungsbeispiele, Eigenes DL Projekt, schriftliche Prüfung

      3 SWS
      6 ECTS
      Machine Learning Methods for Language Processing | VO

      Machine Learning Methods for Language Processing | VO

      1 SWS   2 ECTS

      Inhalt

      • 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

      Lernergebnisse

      • Die Studierenden sind in der Lage, selbständig DL-Projekte durchzuführen, auf NLP anzuwenden und verschiedene Algorithmen und Methoden richtig einzusetzen und kritisch zu evaluieren.

      Lehrmethode

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

      Prüfungsmethode

      Modulprüfung

      Literatur

      • Chollet, F. (2018). Deep Learning mit Python und Keras: Das Praxis-Handbuch vom Entwickler der Keras-Bibliothek. MITP-Verlags GmbH & Co. KG.
      • Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media.
      • Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.

      Unterrichtssprache

      Englisch

      1 SWS
      2 ECTS
      Machine Learning Methods for Language Processing | UE

      Machine Learning Methods for Language Processing | UE

      2 SWS   4 ECTS

      Inhalt

      • 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

      Lernergebnisse

      • Die Studierenden sind in der Lage, selbständig DL-Projekte durchzuführen, auf NLP anzuwenden und verschiedene Algorithmen und Methoden richtig einzusetzen und kritisch zu evaluieren.

      Lehrmethode

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

      Prüfungsmethode

      Modulprüfung

      Literatur

      • Chollet, F. (2018). Deep Learning mit Python und Keras: Das Praxis-Handbuch vom Entwickler der Keras-Bibliothek. MITP-Verlags GmbH & Co. KG.
      • Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media.
      • Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.

      Unterrichtssprache

      Englisch

      2 SWS
      4 ECTS
      Modul Information Management for Language Data

      Information Management for Language Data

      5 SWS   10 ECTS

      Lernergebnisse

      • Aufbauend auf Modul M1 beherrschen Studierende Techniken zum Indexieren und Retrieval von informellen, unstrukturierten Informationen aus multilingualen, elektronischen und unstrukturierten Quellen. Die Verwendung von Markup-Sprachen und Wissen über verschiedene Datenaustauschformate spezifisch für Anwendungen im Bereich der Computerlinguistik und Sprachtechnologien, wie z. B. TermBase Exchange (TBX) Format oder OntoLex, werden ebenso vermittelt wie Auswahl geeigneter Tools und APIs um datenintensive Anwendungen und Prozesse zu unterstützen. Das Modul behandelt Algorithmen, Design und Implementierung moderner Information-Retrieval-Systeme für die Verarbeitung natürlichsprachlicher sowie multilingualer Daten.

      5 SWS
      10 ECTS
      Information Design for Language Data | ILV

      Information Design for Language Data | ILV

      2 SWS   4 ECTS

      Inhalt

      • Grundlagen des Informationsdesigns
      • Zielgruppenorientierte Gestaltung von Medien und Information
      • Designentwicklung auf Basis kognitionswissenschaftlicher Prinzipien
      • Grundlagen der Gestalt- und Wahrnehmungspsychologie
      • Methoden des Informationsdesigns für verschiedene Medien
      • Anwendungen in Web, Virtual und Augmented Reality usw.

      Lernergebnisse

      • Die Studierenden sind in der Lage, die Prinzipien des Informationsdesigns Medien anzuwenden, sodass die jeweilige Zielgruppe die Information möglichst effizient und effektiv nutzen kann.

      Lehrmethode

      Theorievermittlung in Unterricht, interdisziplinäre Ringvorlesungen, Diskussion der praktischen Beispiele; Eigenes Informationsdesign Projekt.

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Teilleistungen durch aktive Teilnahme an Diskussionen und der Ausarbeitung von Übungsbeispielen, Eigenes Informationsdesign-Projekt, schriftliche Prüfung.

      Literatur

      • Coates, K. & Ellison, A. (2014). Introduction to Information Design. Laurence King Publishing.
      • Katz, J. (2012). Designing Information: Human Factors and Common Sense in Information Design. John Wiley & Sons.
      • Weber, W. (2007). Kompendium Informationsdesign, Springer:  Heidelberg, Berlin.
      • Pontis S., Babwahsingh M. (2023), Information Design Unbound, Bloomsbury Publishing.

      Unterrichtssprache

      Englisch

      2 SWS
      4 ECTS
      Information Extraction and Retrieval for Multilingual Natural Language Data | ILV

      Information Extraction and Retrieval for Multilingual Natural Language Data | ILV

      3 SWS   6 ECTS

      Inhalt

      • Retrieval-Modelle: Boolsche, Vektorraum, Probabilistisches
      • Repräsentation von Inhalten: Freitextsuche, Dokumentationssprachen, spezielle Logiken, Indexierung usw.)
      • Machine-Learning-Konzepte und -Techniken: Clustering, Classification
      • Deep Learning in Information Retrieval
      • Web-Retrieval: Link-Analyse, Crawling, Suchmaschinen

      Lernergebnisse

      • Die Studierenden versehen der grundlegenden Aspekte und Methoden des Information Retrieval (IR) und sind in der Lage, selbständig IR-Projekte durchzuführen und verschiedene IR-Methoden richtig einzusetzen und kritisch zu evaluieren.

      Lehrmethode

      Theorievermittlung in Unterricht, Diskussion der praktischen Beispiele; eigenes IR-Projekt

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Teilleistungen durch aktive Teilnahme an Diskussionen und der Ausarbeitung von Übungsbeispielen, eigenes IR-Projekt, schriftliche Prüfung.

      Literatur

      • Baeza-Yates, R. & Ribeiro-Neto, B. (2011). Modern information retrieval: The concepts and technology behind search. Addison Wesley.
      • Croft, B., Metzler, D. & Strohman, T. (2009). Search Engines: Information Retrieval in Practice. Addison-Wesley.
      • Manning,  C.D., Raghavan, P. & Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press.

      Unterrichtssprache

      Englisch

      3 SWS
      6 ECTS
      Modul Language Technologies

      Language Technologies

      3 SWS   6 ECTS

      Lernergebnisse

      • Lernziele sind der Erwerb von grundlegenden Kenntnissen der Computerlinguistik, Übersetzungstechnologien und Speech Technologies als Grundvoraussetzung für verschiedene Bereiche der Sprachtechnologien. Studierende entwickeln neben theoretischer Kenntnis die Fähigkeit, eine fundierte Auswahl aus diesen Technologien anzupassen, zu entwickeln und in den Arbeitsabläufen der internationalen Praxis der Sprach-, Übersetzungs- und Softwareindustrie einzusetzen.

      3 SWS
      6 ECTS
      Speech Technologies | ILV

      Speech Technologies | ILV

      3 SWS   6 ECTS

      Inhalt

      • Speech Technologies und Automatic Speech Recognition (ASR)
      • Grundlagen der Phonetik und Phonologie
      • Neuronale Netze für Sprachtechnologien
      • Einführung in Dialogsysteme
      • Praktische Einarbeitung in ASR und Sprach-zu-Sprach-Systemen

      Lernergebnisse

      • Studierende haben einen grundlegenden Überblick über verschiedene Aspekte, Algorithmen und Methoden der Speech Technologies erworben und können ausgewählte Methoden selbst implementieren.

      Lehrmethode

      Vortrag/Vorlesung, Praktische Übungen, Präsentationen, Diskussionen, Feedback.

      Prüfungsmethode

      Endprüfung: Schriftliche Abschlussprüfung, Teilleistungen in Form praktischer Übungen

      Literatur

      • Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
      • Duda, R. O., Hart, P. E., & Stork, D. G. (1973). Pattern classification and scene analysis (Vol. 3). New York: Wiley.
      • Huang, X., Acero, A., Hon, H. W., & Foreword By-Reddy, R. (2001). Spoken language processing: A guide to theory, algorithm, and system development. Prentice hall PTR.
      • Levinson, S. E. (2005). Mathematical models for speech technology. John Wiley.
      • Vetterli, M., Kovačević, J., & Goyal, V. K. (2014). Foundations of signal processing. Cambridge University Press.

      Unterrichtssprache

      Englisch

      3 SWS
      6 ECTS
      Modul Machine Translation

      Machine Translation

      3 SWS   5 ECTS

      Lernergebnisse

      • Studierende erwerben fundierte Kenntnisse der Theorie und Praxis maschineller Übersetzung. Neben einem Verständnis der geschichtlichen Entwicklung und theoretischen Grundlagen verschiedener Methoden verfügen Studierende über einen fundierten Überblick des aktuellen Stands der Forschung und Industrie und entwickeln Fähigkeiten zur Entwicklung, Anpassung und Kombination verschiedener maschineller Übersetzungsmodelle.

      3 SWS
      5 ECTS
      Basics in Machine Translation | ILV

      Basics in Machine Translation | ILV

      3 SWS   5 ECTS

      Inhalt

      • Einführung in die verschiedenen Ansätze der maschinellen Übersetzung von statistischen über regelbasierte bis hin zu neuronalen und hybriden Ansätzen
      • Einführung in grundlegende Konzepte und Algorithmen der statistischen maschinellen Übersetzung
      • Einführung in grundlegende Konzepte und Algorithmen der neuronalen maschinellen Übersetzung
      • Kritische Analyse der Vor- und Nachteile einzelner Systeme sowie Ziel und Zweck der jeweiligen Ansätze
      • Grundlegende Kenntnisse zu Methoden der Evaluation von maschineller Übersetzung
      • Praktische Einführung zu konkreten Übersetzungsmodellen

      Lernergebnisse

      • Studierende haben einen fundierten Überblick über die Bereiche der maschinellen Übersetzung erhalten, kennen der Anwendungsbereiche sowie Vor- und Nachteile. Weiters sind Studierende in der Lage, eines dieser Modelle auch selbst zu implementieren und evaluieren, da sie auch grundlegende Kenntnisse der Evaluationsmethoden erworben haben.

      Lehrmethode

      Vorlesung/Vortrag, Praktische Übungen, Arbeitsaufträge, Diskussionen, Feedback, Falllösungen.

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Schriftliche Endprüfung, praktische Übungen, Präsentationen.

      Literatur

      • Bahdanau, D., Cho, K., and Bengio, Y. (2015). Neural Machine Translation by Jointly Learning to Align and Translate. InInternational Conference on Learning Representations
      • Goldberg, Y. (2016). A primer on neural network models for natural language processing. Journal of Artificial Intelligence Research, 57, 345-420.
      • Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
      • Kenny, D. (2018). Machine translation. In The Routledge Handbook of Translation and Philosophy (pp. 428-445). Routledge.
      • Koehn, P. (2009). Statistical machine translation. Cambridge University Press.
      • Papineni, K., Roukos, S., Ward, T., & Zhu, W. J. (2002, July). BLEU: a method for automatic evaluation of machine translation. In Proceedings of the 40th annual meeting on association for computational linguistics (pp. 311-318). Association for Computational Linguistics.
      • Sutskever, I., Vinyals, O. & Le, Q. V. (2014). Sequence to sequence learning with neural networks. In Advances in Neural Information Processing Systems, pp. 3104–3112.

      Unterrichtssprache

      Englisch

      3 SWS
      5 ECTS
      Modul Multilingual Communication

      Multilingual Communication

      2 SWS   3 ECTS

      Lernergebnisse

      • Studierende erwerben Grundlagen multilingualer und sprachübergreifender Methoden in Sprachtechnologien sowie in der Kollaboration in interdisziplinären, transkulturellen und multilingualen Teams, und Grundlagen verschiedener Arten und Darstellungsmethoden sowie Verwaltungsmethoden von Sprachressourcen, wie etwa Terminologien oder Computerlexika.

      2 SWS
      3 ECTS
      Transcultural Communication | VO

      Transcultural Communication | VO

      2 SWS   3 ECTS

      Inhalt

      • Transkulturelle Kommunikation aus der Perspektive verschiedener Disziplinen (mit Fokus auf der Translationswissenschaft)
      • Kommunikationswissenschaftliche Grundlagen intra-, inter- und multilinguale Barrieren und Transkulturalität
      • Online kollaborative Translation als transkulturelle Kommunikation
      • Konzeptuelle Fragen und Problemstellungen
      • Technikfolgenabschätzung und ethische Erwägungen
      • Transkulturelle Kommunikation und Translation im Team

      Lernergebnisse

      • Studierende haben ein Bewusstsein und eine Sensibilität für transkulturelle Kommunikation entwickelt und frischen Grundkonzepte der Kommunikationswissenschaft auf. Studierende haben theoretische Fähigkeiten für die praktische Zusammenarbeit in transkulturellen Teams und neueste wissenschaftliche Erkenntnisse zum Bereich ethischer Fragen rund um eine Technologiefolgenabschätzung erworben.

      Lehrmethode

      Vorlesung/Vortrag, Diskussion, Fallbeispiele.

      Prüfungsmethode

      Endprüfung: Schriftliche Endprüfung.

      Literatur

      • Ishida, Toru (ed), Culture and Computing. Computing and Communication for Crosscultural Interaction, Berlin / Heidelberg: Springer-Verlag, 2010.
      • Jiménez-Crespo, M. A. (2017). Crowdsourcing and online collaborative translations: Expanding the limits of translation studies (Vol. 131). John Benjamins Publishing Company.
      • Milhouse, V. H., Asante, M. K., & Nwosu, P. O. (2001). Transcultural realities. Sage.
      • Welsch, W. (1999). Transculturality: The puzzling form of cultures today. Spaces of culture: City, nation, world, 13(7), 194-213.

      Unterrichtssprache

      Englisch

      2 SWS
      3 ECTS

      Modul Applied Software Engineering for Computational Linguists

      Applied Software Engineering for Computational Linguists

      5 SWS   10 ECTS

      Lernergebnisse

      • Studierende sind in der Lage, Softwareprogramme im Bereich der Computerlinguistik benutzer*innenfreundlich zu gestalten, Usability Guidelines anzuwenden und Bedienoberflächen bezüglich der Usability zu bewerten.

      • Die Studierenden verstehen die Unified Modeling Language (UML) und Software Design Strategien und wenden diese an. Sie können Software-Anforderungen erfassen, analysieren und dokumentieren. Darüber hinaus lernen Studierende, Software Design durch Anwen-dung eines strukturierten Vorgehensmodells umzusetzen.

      • Der Fokus liegt auf der Erstellung und/oder Verbesserung von Software in Anwendungsbereichen spezifisch für multilinguale Spracherkennung und -verarbeitung, z. B. Text-zu-Sprache-Synthese und Sprachagenten.

      5 SWS
      10 ECTS
      Human-Computer Interaction for Computational Linguists | ILV

      Human-Computer Interaction for Computational Linguists | ILV

      2 SWS   4 ECTS

      Inhalt

      • Psychologische Aspekte des HCIs
      • Benutzerfreundlichkeit
      • Benutzerforschung
      • Benchmarking der Benutzerfreundlichkeit
      • Interaktionsgestaltung
      • Prototyping
      • Methoden zur Untersuchung und Prüfung der Benutzerfreundlichkeit
      • Benutzerfreundlichkeit in der Praxis

      Lernergebnisse

      • Nach Abschluss der LV haben die Studierenden ein solides Verständnis der Kommunikation zwischen Mensch und Computer, der zugrundeliegenden psychologischen und technischen Aspekte, sowie der Innovationen im Bereich der Mensch-Computer-Interaktionstechnologien.

      Lehrmethode

      Fallstudien, Praktische Übungen, Vortrag

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Fallbeispiele, Gruppenübung, schriftliche Endprüfung.

      Literatur

      • Cooper, A. Reimann, R., Cronon, D. & Noessel, C. (2014). The Essentials of Interaction Design. Wiley, 4th Edition.
      • Shneiderman, B. (2016). Designing the User Interface: Strategies for Effective Human-Computer Interaction. Global Edition.

      Unterrichtssprache

      Englisch

      2 SWS
      4 ECTS
      Software Engineering for Language Technologies | ILV

      Software Engineering for Language Technologies | ILV

      3 SWS   6 ECTS

      Inhalt

      Es werden organisatorische Möglichkeiten zur Strukturierung der Software-Entwicklung in Form von Prozessmodellen, wie Wasserfall-Modell, Spiral-Modell und Agile Modelle dargelegt. Bei den technischen Aspekten des Software Engineerings wird vor allem die Erstellung von objektorientierten Systemen und deren Modellierung im Bereich Maschinelles Lernen behandelt.

      Die LV deckt insbesondere die folgenden Inhalte ab:

      • Requirements Engineering
      • Use Cases
      • High Level Design
      • Software-Engineering-Aspekte im Bereich Maschinelles Lernen
      • Ausgewählte UML Diagramme
      • Vorgehensmodelle

      Lernergebnisse

      • Nach Abschluss der LV sind die Studierenden in der Lage, Software-Engineering-Prozesse für Projekte im Bereich Maschinelles Lernen zu verstehen und anzuwenden.

      Lehrmethode

      Blended learning, Gastvorträge, Experiential learning, Coaching

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Gruppenarbeiten, schriftliche Endprüfung.

      Literatur

      • Sommerville, I. (2015). Software Engineering. Pearson Education Limited, 10th Edition.
      • Stephens, R. (2015). Beginning Software Engineering. John Wiley & Sons, 1st Edition.

      Unterrichtssprache

      Englisch

      3 SWS
      6 ECTS
      Modul Machine Translation

      Machine Translation

      3 SWS   5 ECTS

      Lernergebnisse

      • Studierende erwerben fundierte Kenntnisse der Theorie und Praxis maschineller Übersetzung. Neben einem Verständnis der geschichtlichen Entwicklung und theoretischen Grundlagen verschiedener Methoden verfügen Studierende über einen fundierten Überblick des aktuellen Stands der Forschung und Industrie und entwickeln Fähigkeiten zur Entwicklung, Anpassung und Kombination verschiedener maschineller Übersetzungsmodelle.

      3 SWS
      5 ECTS
      Advanced Machine Translation | ILV

      Advanced Machine Translation | ILV

      3 SWS   5 ECTS

      Inhalt

      • Theoretische Erarbeitung verschiedener Architekturen im Bereich der neuronalen maschinellen Übersetzung
      • Theoretischer Überblick über den aktuellen Stand der Forschung und interessante derzeitige Forschungsthemen, z. B. maschinelle Übersetzung mit nur geringen verfügbaren Trainingsdaten
      • Kritische Auseinandersetzung mit Vor- und Nachteilen der jeweiligen Systeme
      • Analyse und Diskussion der gängigen Praxis bezüglich der Anwendung maschineller Übersetzungssysteme im Unternehmen
      • Praktische Erarbeitung von konkreten aktuellen Modellen der neuronalen maschinellen Übersetzung sowie deren Evaluationsmethoden

      Lernergebnisse

      • Studierende haben fundierte Kenntnisse verschiedener Modelle und Architekturen in der neuronalen maschinellen Übersetzung, kennen deren Anwendungsgebiete sowie Vor- und Nachteile. Die bereits zuvor erworbenen Kenntnisse der Evaluation werden in dieser Lehrveranstaltung weiter vertieft. Studierende sind darüber hinaus in der Lage ein Modell der neuronalen maschinellen Übersetzung selbst zu trainieren und zu evaluieren.

      Lehrmethode

      Vorlesung/Vortrag, Praktische Übungen, Arbeitsaufträge, Diskussionen, Feedback, Falllösungen.

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Schriftliche Endprüfung, praktische Übungen, Präsentationen.

      Literatur

      • Gehring, J., Auli, M., Grangier, D., Yarats, D., and Dauphin, Y. N. (2017). Convolutional sequence to sequence learning.arXivpreprint arXiv:1705.03122.
      • Minh-Thang Luong Neural Machine Translation Ph.D. Dissertation, 2016. github.com/lmthang/thesis/blob/master/thesis.pdf [Stand: 30.03.2020]
      • Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L. u., & Polosukhin, I. (2017). Attentionis all you need. In Advances in Neural Information Processing Systems, pp. 5998–6008.

      Unterrichtssprache

      Englisch

      3 SWS
      5 ECTS
      Modul Research Design and Academic Writing

      Research Design and Academic Writing

      2 SWS   5 ECTS

      Lernergebnisse

      • Studierende vertiefen Kenntnisse des wissenschaftlichen Schreibens und wissenschaftlicher Methoden.

      • Studierende vertiefen ihre Kenntnisse des wissenschaftlichen Forschungsdesign theoretisch und praktisch.

      • Studierende sind in der Lage den aktuellen Stand der Forschung, Grundlagen sowie eine tentative Methode für ihr geplantes Masterarbeitsthema auszuarbeiten und zu präsentieren.

      2 SWS
      5 ECTS
      Academic Writing | ILV

      Academic Writing | ILV

      2 SWS   5 ECTS

      Inhalt

      • Systematisches Recherchieren und Rezipieren wissenschaftlicher Arbeiten
      • Richtiges Zitieren
      • Sprachregister: formal vs. informell
      • akademische Terminologie und Formulierungen
      • Struktur eines Absatzes
      • Struktur einer wissenschaftlichen Arbeit
      • Sprachliche Präsentation der gewählten Methode, erzielten Ergebnisse und daraus resultierenden Diskussion
      • Beschreiben statistischer und qualitativer Daten

      Lernergebnisse

      • Studierende sind in der Lage, systematisch wissenschaftlich zu Recherchieren und wissenschaftliche Arbeiten zu analysieren. Sie beherrschen die Grundlagen des wissenschaftlichen Zitierens und sind in der Lage, ihre eigenen wissenschaftlichen Arbeiten sinnvoll zu strukturieren. Darüber hinaus sind sie mit den im wissenschaftlichen Kontext üblichen Sprachregister und Formulierungen vertraut und können diese anwenden.

      Lehrmethode

      Schreib- und Rechercheübungen, Korrekturaufgaben, Feedback, Diskussion, Problembasiertes Lernen.

      Prüfungsmethode

      Endprüfung: Schreib- und Rechercheübungen, schriftliche Seminararbeit.

      Literatur

      • Macgilchrist, Felicitas (2014) Academic writing. Vol. 4087, UTB.
      • Mautner, Gerlinde (2019) Wissenschaftliches Englisch: stilsicher schreiben in Studium und Wissenschaft. Vol. 3444. UTB.
      • Swales, J. M., & Feak, C. B. (2012). Academic writing for graduate students: Essential tasks and skills (Vol. 3). Ann Arbor: University of Michigan Press.
      • Voss, Rödiger (2018) Wissenschaftliches Arbeiten: ... leicht verständlich!. UTB.

      Unterrichtssprache

      Englisch

      2 SWS
      5 ECTS
      Internship (10 ECTS nach Wahl)
      Modul Internship FH Campus Wien

      Internship FH Campus Wien

      2 SWS   10 ECTS

      Lernergebnisse

      • Lernziel ist der Erwerb facheinschlägiger Kenntnisse im Rahmen eines Berufspraktikums im In- oder Ausland, um die realen Arbeitsprozesse in verschiedenen Berufsprofilen der internationalen Sprach-, Übersetzungs- und/oder Softwareindustrie kennenzulernen.

      • Ein weiteres Ziel ist die wissenschaftliche Begleitung des Praktikums und Erstellung des Praktikumsberichts.

      2 SWS
      10 ECTS
      Internship FH Campus Wien | PR

      Internship FH Campus Wien | PR

      2 SWS   10 ECTS

      Inhalt

      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.

      Lernergebnisse

      • Ergebnis dieser Lehrveranstaltung ist der Erwerb facheinschlägiger Kenntnisse im Rahmen eines Berufspraktikums im In- oder Ausland, um die realen Arbeitsprozesse in verschiedenen Berufsprofilen der internationalen Sprach-, Übersetzungs- und/oder Softwareindustrie kennenzulernen.

      • Ein weiteres Ziel ist die wissenschaftliche Begleitung des Praktikums und Erstellung des Praktikumsberichts.

      Lehrmethode

      Berufspraktikum

      Prüfungsmethode

      Endprüfung: Abgabe eines Praktikumsberichts.

      Literatur

      -

      Unterrichtssprache

      Englisch

      2 SWS
      10 ECTS
      Modul Internship Universität Wien

      Internship Universität Wien

      2 SWS   10 ECTS

      Lernergebnisse

      • Lernziel ist der Erwerb facheinschlägiger Kenntnisse im Rahmen eines Berufspraktikums im In- oder Ausland, um die realen Arbeitsprozesse in verschiedenen Berufsprofilen der internationalen Sprach-, Übersetzungs- und/oder Softwareindustrie kennenzulernen.

      • Ein weiteres Ziel ist die wissenschaftliche Begleitung des Praktikums und Erstellung des Praktikumsberichts.

      2 SWS
      10 ECTS
      Internship Universität Wien | PR

      Internship Universität Wien | PR

      2 SWS   10 ECTS

      Inhalt

      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.

      Lernergebnisse

      • Ziel dieser Lehrveranstaltung ist der Erwerb facheinschlägiger Kenntnisse im Rahmen eines Berufspraktikums im In- oder Ausland, um die realen Arbeitsprozesse in verschiedenen Berufsprofilen der internationalen Sprach-, Übersetzungs- und/oder Softwareindustrie kennenzulernen.

      • Ein weiteres Ziel ist die wissenschaftliche Begleitung des Praktikums und Erstellung des Praktikumsberichts.

      Lehrmethode

      Berufspraktikum

      Prüfungsmethode

      Endprüfung: Abgabe eines Praktikumsberichts.

      Literatur

      -

      Unterrichtssprache

      Englisch

      2 SWS
      10 ECTS

      Modul IT Management for Computational Linguists

      IT Management for Computational Linguists

      2 SWS   4 ECTS

      Lernergebnisse

      • Die Studierenden können Methoden des Projektmanagements anwenden, Einsatz und Methoden von wissensbasierten Systemen erläutern sowie Einsatzgrenzen beurteilen. Weiters erkennen die Studierenden datenschutzrechtliche Sonderprobleme im Bereich Sprach- und Textverarbeitung und sind in der Lage, Rechtsfragen der Privatsphäre zu identifizieren.

      2 SWS
      4 ECTS
      Data Protection and Privacy for Computational Linguists | ILV

      Data Protection and Privacy for Computational Linguists | ILV

      1 SWS   2 ECTS

      Inhalt

      Die Lehrveranstaltung soll einen Überblick über grundlegende Rechtsfragen aus den Bereichen Datenschutz und Datensicherheit abdecken. Dabei wird insbesondere auf praktisch relevante Themen eingegangen. Komplexe Sachverhalte werden anhand datenschutzrechtlicher Grundsätze analysiert und besprochen, wobei ein besonderer Fokus auf aktuellen nationalen wie auch internationalen Entwicklungen liegt.

      • Einführung in das österreichische und europäische Rechtsystem
      • Einführung in das Datenschutzrecht
      • Schutz der Privatsphäre und allgemeiner Persönlichkeitsschutz
      • Grundsätze der Verarbeitung personenbezogener Daten
      • Datenschutzrechtliche Rollen
      • Betroffenenrechte und Pflichten des Verarbeiters
      • Einblick in Datensicherheitskonzepte
      • Privacy by Design und Privacy by Default
      • E-Privacy
      • Grundlagen der Cybersicherheit
      • Aufgaben und Befugnisse der datenschutzrechtlichen Aufsichtsbehörde sowie verfahrensrechtliche Aspekte

      Lernergebnisse

      • Die Studierenden werden in der Lage sein, gängige rechtliche Sachverhalte zu erkennen und einzuordnen sowie das theoretisch Erlernte praktisch um zu setzen (z.B. Ausübung der Betroffenenrechte).

      Lehrmethode

      • Theorievermittlung in Vorträgen
      • Diskussion der praktischen Beispiele

      Prüfungsmethode

      Immanente Leistungsüberprüfung: - Aktivitäten bei Vorlesungen und Übungen: Teilnahme an Diskussionen

      - Mitarbeit

      - Schriftliche Prüfung

      Literatur

      Forgó (Hrsg.), Grundriss Datenschutzrecht (2018).

      Unterrichtssprache

      Englisch

      1 SWS
      2 ECTS
      IT Project Management for Computational Linguists | ILV

      IT Project Management for Computational Linguists | ILV

      1 SWS   2 ECTS

      Inhalt

      Projektmanagement ist die Anwendung von Wissen, Können, Werkzeugen und Techniken auf Projektaktivitäten, um Projektanforderungen zu erfüllen. Der*Die Projektmanager*in hat die Aufgabe, die Erwartungen der Stakeholder an das Projekt zu erfüllen.

      Die LV deckt insbesondere die folgenden Inhalte ab:

      • Die Vertiefung in die Wissensgebiete des Projektmanagements (zum Beispiel: Integrationsmanagement, Zeitmanagement, Kostenmanagement, Qualitätsmanagement und Risikomanagement)
      • Die Projektleitung über Kulturgrenzen hinweg
      • Das Management von virtuellen Teams
      • Rechtliche Aspekte in IT-Projekten

      Lernergebnisse

      • Nach Abschluss der LV sind die Studierenden in der Lage zu einer gegebenen Anforderungsdefinition einen auf das Projekt abgestimmten Projekt Management Plan zu erstellen und während des gesamten Projektlebenszyklus unter der Berücksichtigung von rechtlichen IT-Aspekten anzupassen

      Lehrmethode

      Fallstudien, Vortrag

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Schriftliche Endprüfung, Ausarbeitung einer Fallstudie.

      Literatur

      • Forgó, N., Mosing, M. W. & Otto, G. (2012). Informationsrecht. Springer.
      • Kerzner, H. (2017). Project Management: A Systems Approach to Planning, Scheduling, and Controlling. Wiley, 12th edition.
      • Project Management Institute (2017). A Guide to the Project Management Body of Knowledge. Pmbok Guides, 6th edition.

      Unterrichtssprache

      Englisch

      1 SWS
      2 ECTS
      Modul Master's Thesis

      Master's Thesis

      0 SWS   22 ECTS

      Lernergebnisse

      • Die Absolvent*innen dieses Moduls können wissenschaftliche Literatur auswählen und beurteilen

      • Die Absolvent*innen dieses Moduls können fundierte wissenschaftliche, theoretische und praxisrelevante Kenntnisse über eine bestimmte Thematik in Beziehung setzen

      • Die Absolvent*innen dieses Moduls können eigenständig wissenschaftliche Publikationen erstellen

      • Die Absolvent*innen dieses Moduls können die Masterarbeit vor einem Fachpublikum präsentieren und verteidigen

      22 ECTS
      Master's Finals | AP

      Master's Finals | AP

      0 SWS   2 ECTS

      Inhalt

      • Präsentation und Diskussion der Abschlussarbeit
      • Fachdiskussion

      Die Defensio besteht aus der Präsentation und Verteidigung der Masterarbeit sowie einer Prüfung über deren wissenschaftliches Umfeld sowie einer Prüfung, die ein weiteres, vom Umfeld der Masterarbeit wesentlich zu unterscheidendes Prüfungsfach aus den Pflichtmodulen umfasst.

      Lernergebnisse

      • Nach Ablegen der Masterprüfung sind Absolvent*innen in der Lage, ihre wissenschaftliche Arbeit prägnant darzustellen, zu präsentieren und zu verteidigen

      • Nach Ablegen der Masterprüfung sind Absolvent*innen in der Lage, eine fachliche wissenschaftliche Diskussion zu führen

      • Nach Ablegen der Masterprüfung sind Absolvent*innen in der Lage, Zusammenhänge von Fachbereichen zu erkennen und eigene Schlussfolgerungen darzulegen

      Lehrmethode

      Selbstständiges Erarbeiten

      Prüfungsmethode

      Endprüfung: Kommissionelle Prüfung (Masterprüfung)

      Literatur

      Je nach Thema der Abschlussarbeit bzw. vorgegebene Literatur für die Prüfungsfragen

      Unterrichtssprache

      Englisch

      2 ECTS
      Master's Thesis | MT

      Master's Thesis | MT

      0 SWS   20 ECTS

      Inhalt

      • 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

      Lernergebnisse

      • Nach Abschluss der LV sind die Studierenden in der Lage, eine fachlich relevante Problemstellung zu identifizieren und wissenschaftlich fundiert zu analysieren

      • Nach Abschluss der LV sind die Studierenden in der Lage, wissenschaftliche Methoden mit dem Fachwissen verknüpft korrekt anzuwenden

      • Nach Abschluss der LV sind die Studierenden in der Lage, eine Thematik umfassend auszuarbeiten und schriftlich als Masterarbeit zu verfassen

      Lehrmethode

      Selbstständiges Arbeiten unterstützt durch Coaching

      Prüfungsmethode

      Endprüfung: Approbation der Masterarbeit (Seminararbeit)

      Literatur

      Abhängig vom gewählten Thema

      Unterrichtssprache

      Englisch

      20 ECTS
      Modul Research Design and Academic Writing

      Research Design and Academic Writing

      2 SWS   4 ECTS

      Lernergebnisse

      • Studierende vertiefen Kenntnisse des wissenschaftlichen Schreibens und wissenschaftlicher Methoden.

      • Studierende vertiefen ihre Kenntnisse des wissenschaftlichen Forschungsdesign theoretisch und praktisch.

      • Studierende sind in der Lage den aktuellen Stand der Forschung, Grundlagen sowie eine tentative Methode für ihr geplantes Masterarbeitsthema auszuarbeiten und zu präsentieren.

      2 SWS
      4 ECTS
      Master Colloquium | SE

      Master Colloquium | SE

      2 SWS   4 ECTS

      Inhalt

      • Auffrischung Forschungsmethodik
      • Auffrischung und Vertiefung gute Praxis wissenschaftlichen Arbeitens
      • Präsentationstechniken und -arten für wissenschaftliche Arbeiten
      • Methoden zur Erstellung eines Masterarbeitskonzepts

      Lernergebnisse

      • Studierende haben einen guten Überblick über die Vorgehensweise zur Erarbeitung eines aktuellen Forschungsstand insbesondere für ihr Forschungsthema sowie über Möglichkeiten des Forschungsdesigns. Sie erarbeiten die Forschungsfrage und tentative Methode für ihr gewähltes Forschungsthema und haben sich einen guten Überblick über den größeren wissenschaftlichen Themenbereich verschafft. Weiters wissen Studierende wie wissenschaftliche Inhalte zu präsentieren sind.

      Lehrmethode

      Gruppenarbeit, Diskussion, Präsentation, Feedback, interaktive Vorlesung mit praktischen Übungen.

      Prüfungsmethode

      Immanente Leistungsüberprüfung: Mündliche Präsentation, schriftliche Arbeit in Form eines Exposés.

      Literatur

      • Baur, N., & Blasius, J. (Eds.). (2014). Handbuch Methoden der empirischen Sozialforschung. Wiesbaden, Germany: Springer VS.
      • Flick, U. (2011). Qualitative Sozialforschung: Eine Einführung. Reinbek bei Hamburg: Rowohlt.
      • Hug, T., & Poscheschnik, G. (2014). Empirisch forschen (Vol. 3357). UTB.
      • Häder, M. (2010). Empirische Sozialforschung. Wiesbaden: VS Verlag für Sozialwissenschaften.
      • Mayring, P. (2010). Qualitative Inhaltsanalyse. Grundlagen und Techniken, 11. Aufl. Beltz.
      • Kuckartz, Udo (2016) Qualitative Inhaltsanalyse. Methoden, Praxis, Computerunterstützung. Weinheim: Beltz Juventa.

      Unterrichtssprache

      Englisch

      2 SWS
      4 ECTS

      Anzahl der Unterrichtswochen
      18 Wochen im Semester

      Unterricht an der FH Campus Wien
      Freitags (ganztags), fallweise Samstags (ganztags)

      Wahlmöglichkeiten im Curriculum
      Angebot und Teilnahme nach Maßgabe zur Verfügung stehender Plätze. Es kann zu gesonderten Auswahlverfahren kommen.


      Nach dem Studium

      Als Absolvent*in dieses Studiums stehen Ihnen vielfältige Berufsfelder und Karrierechancen offen. Lesen Sie hier, wohin Sie Ihr Weg führen kann.

      Diese fachspezifischen sowie die erworbenen überfachlichen und methodischen Kompetenzen qualifizieren Absolvent*innen für Karrieren im wissenschaftlichen sowie im Privatsektor. Abhängig von der persönlichen Spezialisierung eröffnen sich verschiedene Berufsfelder. Der interdisziplinäre Charakter des Studiums befähigt für verschiedene Arbeitsbereiche: IT-Sektor, Consulting und Personalentwicklung.

      • Sprach-, Übersetzungs- und Lokalisierungsindustrie

      • Sprachtechnologie im Sinne der Sprach- und Textverarbeitung und Übersetzungstechnologie

      • transkulturelle Wissensorganisation

      • Sprachressourcenverwaltung

      • maschinelle Übersetzung

        • multilingual Produktmanagement

        • multilinguale Informationsverarbeitung

        • multilinguale Mensch-Computer-Interaktion

        • Usability und Data Science


          Studieren einfach gemacht

          Zwei Studierende schauen gemeinsam in ein Buch
          Buddy Netzwerk

          Unterstützung beim Einstieg in die Technik

          >
          Programmiercode
          Erweiterungscurriculum

          Vorbereitung für Multilingual Technologies

          >
          Bücher mit Geld
          Förderungen & Stipendien
          >
          Hände zeigen auf Weltkarte
          Auslandsaufenthalt

          Fachwissen, Sprachkenntnisse, Horizont erweitern.

          >
          Offene Lehrveranstaltungen
          >
          Zentrum für wissenschaftliches Schreiben
          >
          Intensiv-Deutschkurs
          >
          Start-up Service
          >
          Doktoratsservice
          >
          Nostrifizierung
          >
          Barrierefrei studieren
          >
          queer @ FH Campus Wien
          >

          Vernetzen mit Absolvent*innen und Organisationen

          Wir arbeiten eng mit namhaften Unternehmen aus Wirtschaft und Industrie, Universitäten, Institutionen und Schulen zusammen. Das sichert Ihnen Anknüpfungspunkte für Berufspraktika, die Jobsuche oder Ihre Mitarbeit bei Forschungs- und Entwicklungsaktivitäten. Viele unserer Kooperationen sind im Campusnetzwerk abgebildet. Ein Blick darauf lohnt sich immer und führt Sie vielleicht zu einem neuen Job oder auf eine interessante Veranstaltung unserer Kooperationspartner*innen!


          Kontakt

          Studiengangsleitung

          Sekretariat

          Mgr. Andrea Slaminková

          Favoritenstraße 226, B.3.05 
          1100 Wien 
          +43 1 606 68 77-8455 
          +43 1 606 68 77-2139 
          mlt@fh-campuswien.ac.at

          Lageplan Hauptstandort Favoriten (Google Maps)

          Öffnungszeiten während des Semester

          Montag, Mittwoch und Freitag
          jeweils von 9.00–12.00 Uhr und von 13.00–15.00 Uhr

          Masterstudium in Kooperation mit

          Lehrende und Forschende


          Downloads

          Themenfolder Technik
          pdf, 1 MB
          Ergebnisbericht AQ Austria
          pdf, 1 MB
           

          Sie möchten mehr wissen? Wir helfen Ihnen.

           

          Haben Sie alle gewünschten Informationen gefunden?

          • Ja
          • Nein