DI Dr.techn. Mugdim Bublin
Deputy Head of Program Multilingual Technologies; City of Vienna Endowed Professorship for Artificial Intelligence
mugdim.bublin@hcw.ac.at
+43 1 606 68 77-2133
Room: B.3.14
Favoritenstraße 226
1100
Wien
Publications
Our publications database contains the scientific papers and theses supervised by DI Dr.techn. Mugdim Bublin at Hochschule Campus WienAll other publications are listed in the personal profile
Lectures
Deep Learning ILV
Deep Learning ILV | WS2026/27
Content
Es wird auf folgende Inhalte eingegangen:
- Einführung, Modus, Motivation, Grundlagen ML-Projekt
- Machine Learning Project: Datenanalyse, Visualisierung, Vorbereitung, Modellauswahl und Training, Evaluation und Optimierung
- Einführung in Deep Learning
- Convolutional Neural Networks (CNN)
- Recurrent Neural Networks (RNN)
- Generative Adversarial Networks (GAN)
- Reinforcement Learning (RL)
- Anwendungen in Computer Vision, Robotik, Natural Language Processing, Medizin und Biologie.
Die Übung deckt die folgenden Inhalte ab:
- Entwicklung der DL-Algorithmen
- CNN-, RNN-, GAN- und RL-Modelle erstellen, trainieren und evaluieren
- Entwicklung einer DL-Pipeline für die ausgewählte Anwendung
- DL-Anwendung in einem Bereich nach Wahl: Biologie/Medizin, Robotik, Computer Vision, Natural Language Processing usw.
- DL-Projektdurchführung und Evaluation
Teaching method
Fallstudien, Vortrag, praktische Übung in Gruppen.
Examination
Immanente Leistungsüberprüfung
Ausarbeitung einer Fallstudie, Gruppenarbeiten, Endprüfung
Teaching language
Englisch
Deep Learning ILV | WS2026/27
Content
Es wird auf folgende Inhalte eingegangen:
- Einführung, Modus, Motivation, Grundlagen ML-Projekt
- Machine Learning Project: Datenanalyse, Visualisierung, Vorbereitung, Modellauswahl und Training, Evaluation und Optimierung
- Einführung in Deep Learning
- Convolutional Neural Networks (CNN)
- Recurrent Neural Networks (RNN)
- Generative Adversarial Networks (GAN)
- Reinforcement Learning (RL)
- Anwendungen in Computer Vision, Robotik, Natural Language Processing, Medizin und Biologie.
Die Übung deckt die folgenden Inhalte ab:
- Entwicklung der DL-Algorithmen
- CNN-, RNN-, GAN- und RL-Modelle erstellen, trainieren und evaluieren
- Entwicklung einer DL-Pipeline für die ausgewählte Anwendung
- DL-Anwendung in einem Bereich nach Wahl: Biologie/Medizin, Robotik, Computer Vision, Natural Language Processing usw.
- DL-Projektdurchführung und Evaluation
Teaching method
Fallstudien, Vortrag, praktische Übung in Gruppen.
Examination
Immanente Leistungsüberprüfung
Ausarbeitung einer Fallstudie, Gruppenarbeiten, Endprüfung
Teaching language
Englisch
Master Thesis Project UE
Master Thesis Project UE | WS2026/27
Content
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.
Teaching method
-
Examination
Immanente Leistungsüberprüfung
Projektfortschritt, Funktionsnachweis, Projektpräsentation
Teaching language
Deutsch-Englisch
Master Thesis Project UE | WS2026/27
Content
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.
Teaching method
-
Examination
Immanente Leistungsüberprüfung
Projektfortschritt, Funktionsnachweis, Projektpräsentation
Teaching language
Deutsch-Englisch
Internship FH Campus Wien PR
Internship FH Campus Wien PR | WS2026/27
Content
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.
Teaching method
Berufspraktikum
Examination
Endprüfung
Abgabe eines Praktikumsberichts.
Teaching language
Englisch
Internship FH Campus Wien PR | WS2026/27
Content
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.
Teaching method
Berufspraktikum
Examination
Endprüfung
Abgabe eines Praktikumsberichts.
Teaching language
Englisch
Internship Universität Wien PR
Internship Universität Wien PR | WS2026/27
Content
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.
Teaching method
Berufspraktikum
Examination
Endprüfung
Abgabe eines Praktikumsberichts.
Teaching language
Englisch
Internship Universität Wien PR | WS2026/27
Content
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.
Teaching method
Berufspraktikum
Examination
Endprüfung
Abgabe eines Praktikumsberichts.
Teaching language
Englisch
Deep Learning ILV
Deep Learning ILV | WS2026/27
Content
- 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.
Teaching method
- Lecture
- Group work (project)
- Practical exercises
- Continuous Discussion and feedback
Examination
Endprüfung
Performance assessment is done according to: - Project work - Exercises during lectures - Final written or oral exam
Teaching language
Englisch
Deep Learning ILV | WS2026/27
Content
- 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.
Teaching method
- Lecture
- Group work (project)
- Practical exercises
- Continuous Discussion and feedback
Examination
Endprüfung
Performance assessment is done according to: - Project work - Exercises during lectures - Final written or oral exam
Teaching language
Englisch
Introduction to AI and Data Science ILV
Introduction to AI and Data Science ILV | WS2026/27
Content
- 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
Teaching method
- Lecture
- Group work (project)
- Practical exercises
- Continuous Discussion and feedback
Examination
Immanente Leistungsüberprüfung
- Project work
- Exercises during lectures
- Final written exam
Teaching language
Englisch
Introduction to AI and Data Science ILV | WS2026/27
Content
- 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
Teaching method
- Lecture
- Group work (project)
- Practical exercises
- Continuous Discussion and feedback
Examination
Immanente Leistungsüberprüfung
- Project work
- Exercises during lectures
- Final written exam
Teaching language
Englisch
Wahlfach-Projekt 2 UE
Wahlfach-Projekt 2 UE | WS2026/27
Content
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.
Teaching method
Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.
Examination
Endprüfung
Praktisches Projekt in der Kleingruppe
Teaching language
Deutsch
Wahlfach-Projekt 2 UE | WS2026/27
Content
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.
Teaching method
Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.
Examination
Endprüfung
Praktisches Projekt in der Kleingruppe
Teaching language
Deutsch
Deep Learning ILV
Deep Learning ILV | WS2026/27
Content
- 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.
Teaching method
- Lecture
- Group work (project)
- Practical exercises
- Continuous Discussion and feedback
Examination
Endprüfung
Performance assessment is done according to: - Project work - Exercises during lectures - Final written or oral exam
Teaching language
Englisch
Deep Learning ILV | WS2026/27
Content
- 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.
Teaching method
- Lecture
- Group work (project)
- Practical exercises
- Continuous Discussion and feedback
Examination
Endprüfung
Performance assessment is done according to: - Project work - Exercises during lectures - Final written or oral exam
Teaching language
Englisch
Introduction to AI and Data Science ILV
Introduction to AI and Data Science ILV | WS2026/27
Content
- 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
Teaching method
- Lecture
- Group work (project)
- Practical exercises
- Continuous Discussion and feedback
Examination
Immanente Leistungsüberprüfung
- Project work
- Exercises during lectures
- Final written exam
Teaching language
Englisch
Introduction to AI and Data Science ILV | WS2026/27
Content
- 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
Teaching method
- Lecture
- Group work (project)
- Practical exercises
- Continuous Discussion and feedback
Examination
Immanente Leistungsüberprüfung
- Project work
- Exercises during lectures
- Final written exam
Teaching language
Englisch
Wahlfach-Projekt 2 UE
Wahlfach-Projekt 2 UE | WS2026/27
Content
Die Studierenden wenden die erworbenen Fähigkeiten an, um ein Projekt koordiniert und strukturiert abzuwickeln. Dabei definieren sie selbständig konkrete Teilziele im Projekt. Fundiertes theoretisches Vorgehen wird somit mit praktischer Anwendung kombiniert angewendet. Die Mitarbeit an einem industriellen F&E Projekt bzw. an aktuellen Problemstellungen im Rahmen der F&E Tätigkeit der FH ist möglich.
Teaching method
Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.
Examination
Endprüfung
Praktisches Projekt in der Kleingruppe
Teaching language
Deutsch
Wahlfach-Projekt 2 UE | WS2026/27
Content
Die Studierenden wenden die erworbenen Fähigkeiten an, um ein Projekt koordiniert und strukturiert abzuwickeln. Dabei definieren sie selbständig konkrete Teilziele im Projekt. Fundiertes theoretisches Vorgehen wird somit mit praktischer Anwendung kombiniert angewendet. Die Mitarbeit an einem industriellen F&E Projekt bzw. an aktuellen Problemstellungen im Rahmen der F&E Tätigkeit der FH ist möglich.
Teaching method
Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.
Examination
Endprüfung
Praktisches Projekt in der Kleingruppe
Teaching language
Deutsch