Dr.phil. Dipl.-Ing. (BA) Peter Jäger
Senior Lecturer
peter.jaeger@hcw.ac.at
+43 1 606 68 77-5067
Favoritenstraße 226
1100
Wien
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
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
Programmierung 1 ILV
Programmierung 1 ILV | WS2026/27
Content
Die LV vermittelt Grundbegriffe der objektorientierten Programmierung mit Hilfe der Programmiersprache Java. Es werden Konzepte von Programmiersprachen, wie Kontrollstrukturen, elementare Datentypen, Datenstrukturen, Klassen, Objekte und Methoden gelehrt. Weiters wird der Entwurf von Programmen, sowie deren Analyse und Techniken zum Debuggen, Tracing und Testen vermittelt. Durch das Arbeiten in Kleingruppen an einem Projekt werden Teamarbeit und Selbstorganisation gefördert.
Die LV deckt insbesondere die folgenden Inhalte ab:
- Grundlagen der Programmierung
- Variablen und Datentypen
- Operatoren
- Kontrollstrukturen
- Fehlerbehandlung
- Grundlagen der Objektorientierung
- Vererbung
- Polymorphismus
- Abstrakte Klassen
- Interfaces
- Datenstrukturen und Generics
Teaching method
Kurze Impulsvorträge, sofortiges Ausprobieren des Erlernten in praktischen Übungen, Gruppenarbeit, Präsentationen, Lerntagebücher
Examination
Endprüfung
Gruppenarbeit, praktische Übungen
Teaching language
Deutsch
Programmierung 1 ILV | WS2026/27
Content
Die LV vermittelt Grundbegriffe der objektorientierten Programmierung mit Hilfe der Programmiersprache Java. Es werden Konzepte von Programmiersprachen, wie Kontrollstrukturen, elementare Datentypen, Datenstrukturen, Klassen, Objekte und Methoden gelehrt. Weiters wird der Entwurf von Programmen, sowie deren Analyse und Techniken zum Debuggen, Tracing und Testen vermittelt. Durch das Arbeiten in Kleingruppen an einem Projekt werden Teamarbeit und Selbstorganisation gefördert.
Die LV deckt insbesondere die folgenden Inhalte ab:
- Grundlagen der Programmierung
- Variablen und Datentypen
- Operatoren
- Kontrollstrukturen
- Fehlerbehandlung
- Grundlagen der Objektorientierung
- Vererbung
- Polymorphismus
- Abstrakte Klassen
- Interfaces
- Datenstrukturen und Generics
Teaching method
Kurze Impulsvorträge, sofortiges Ausprobieren des Erlernten in praktischen Übungen, Gruppenarbeit, Präsentationen, Lerntagebücher
Examination
Endprüfung
Gruppenarbeit, praktische Übungen
Teaching language
Deutsch
Software Engineering ILV
Software Engineering ILV | WS2026/27
Content
Die integrierte Lehrveranstaltung hat als Ziel, die technischen, organisatorischen und ökonomischen Aspekte von Software Engineering zu erläutern. Es werden organisatorische Möglichkeiten zur Strukturierung der Softwareentwicklung in Form von Prozessmodellen, wie Wasserfallmodell, Spiralmodell und agilen Modellen, dargelegt. Bei den technischen Aspekten des Software Engineerings stehen insbesondere Requirements Engineering, objektorientierte Analyse und Design, UML-Modellierung, High-Level Design und Softwaretests im Vordergrund.
Die Lehrveranstaltung ist in einen Theorie- und einen Übungsteil gegliedert. Im Theorieteil werden zentrale Konzepte des Software Engineerings im Rahmen von Vorträgen und Blended Learning-Elementen vermittelt und erstmals praktisch angewendet, insbesondere durch die Erstellung von Spezifikations- und Design-Dokumenten. Im anschließenden Übungsteil arbeiten die Studierenden in Teams nach einem Challenge-Based-Learning-Ansatz an Projekten, die auf eigenen Ideen aufbauen. Die Projektarbeit wird durch Übungsleiter:innen begleitet, die fachliche Reflexion und Feedback anbieten.
Die LV deckt insbesondere die folgenden Inhalte ab:
- Software Engineering Aktivitäten,
- Requirements Engineering,
- Software Requirements Specification,
- Use Cases,
- High Level Design,
- UML Aktivitätsdiagramme,
- UML Klassendiagramme,
- UML Sequenzdiagramme,
- Software testen,
- Software Vorgehensmodelle,
- Agile Softwareentwicklung,
- Challenge-Based Softwareentwicklung im Team.
Teaching method
Blended learning, Gastvorträge, Experiential learning, Coaching, Challenge-Based Learning, Projektbasiertes Lernen, Teamarbeit, Peerfeedback, fachliche Reflexion
Examination
Immanente Leistungsüberprüfung
Endprüfung, Einzel- und Gruppenarbeiten, fachliche Reflexionsgespräche
Teaching language
Deutsch
Software Engineering ILV | WS2026/27
Content
Die integrierte Lehrveranstaltung hat als Ziel, die technischen, organisatorischen und ökonomischen Aspekte von Software Engineering zu erläutern. Es werden organisatorische Möglichkeiten zur Strukturierung der Softwareentwicklung in Form von Prozessmodellen, wie Wasserfallmodell, Spiralmodell und agilen Modellen, dargelegt. Bei den technischen Aspekten des Software Engineerings stehen insbesondere Requirements Engineering, objektorientierte Analyse und Design, UML-Modellierung, High-Level Design und Softwaretests im Vordergrund.
Die Lehrveranstaltung ist in einen Theorie- und einen Übungsteil gegliedert. Im Theorieteil werden zentrale Konzepte des Software Engineerings im Rahmen von Vorträgen und Blended Learning-Elementen vermittelt und erstmals praktisch angewendet, insbesondere durch die Erstellung von Spezifikations- und Design-Dokumenten. Im anschließenden Übungsteil arbeiten die Studierenden in Teams nach einem Challenge-Based-Learning-Ansatz an Projekten, die auf eigenen Ideen aufbauen. Die Projektarbeit wird durch Übungsleiter:innen begleitet, die fachliche Reflexion und Feedback anbieten.
Die LV deckt insbesondere die folgenden Inhalte ab:
- Software Engineering Aktivitäten,
- Requirements Engineering,
- Software Requirements Specification,
- Use Cases,
- High Level Design,
- UML Aktivitätsdiagramme,
- UML Klassendiagramme,
- UML Sequenzdiagramme,
- Software testen,
- Software Vorgehensmodelle,
- Agile Softwareentwicklung,
- Challenge-Based Softwareentwicklung im Team.
Teaching method
Blended learning, Gastvorträge, Experiential learning, Coaching, Challenge-Based Learning, Projektbasiertes Lernen, Teamarbeit, Peerfeedback, fachliche Reflexion
Examination
Immanente Leistungsüberprüfung
Endprüfung, Einzel- und Gruppenarbeiten, fachliche Reflexionsgespräche
Teaching language
Deutsch
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