Details

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

Fallstudien, Vortrag, praktische Übung in Gruppen.

Immanente Leistungsüberprüfung

Ausarbeitung einer Fallstudie, Gruppenarbeiten, Endprüfung

Studierende arbeiten individuell oder in Kleingruppen an Projekten mit Bezug zu Software Design und Software Engineering Technologien und Anwendungen im Kontext hochschulischer F&E-Aktivitäten oder im Rahmen ihrer individuellen Berufstätigkeit. Diese Projekte stellen in weiterer Folge die praxisrelevante Basis für die Masterarbeiten dar.

-

Immanente Leistungsüberprüfung

Projektfortschritt, Funktionsnachweis, Projektpräsentation

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

Die LV deckt insbesondere die folgenden Inhalte ab:

- Anwendung vom modernen Projektmanagementmethoden an einem konkreten Projekt

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

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

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

Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching

Endprüfung

Projektabgabe

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

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

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

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

Berufspraktikum

Endprüfung

Abgabe eines Praktikumsberichts.

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

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

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

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

Berufspraktikum

Endprüfung

Abgabe eines Praktikumsberichts.

- Selbstständige Bearbeitung einer fachlich relevanten Thematik, primär basierend auf den technischen Themen der Wahlpflichtmodule im 4. und 5. Semester auf wissenschaftlichem Niveau unter Anleitung einer Betreuerin/eines Betreuers

- Ausarbeitung der Bachelorarbeit 1

Durchführung einer praktischen Arbeit und Ausarbeitung als Bachelorarbeit mit Coaching. Studierende präsentieren in regelmäßigen Abständen die aktuelle Fortentwicklung ihrer Bachelorarbeit 1 und stellen diese zur Diskussion.

Endprüfung

Approbation der Bachelorarbeit

- Deep Learning Foundation- Motivation and basic ideas

- Basic principles behind algorithms

- Deep Learning Algorithms and Networks- Convolutional Neuronal Networks (CNN)

- Recurrent Neural Networks (RNN)

- Generative Neural Networks (GAN, Autoencoders)

- Reinforcement Learning (Deep QNet)

- Applications of Deep Learning and Artificial Intelligence in other disciplines, including Medicine, IoT, Industry 4.0, Autonomous Driving, and Games.

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Endprüfung

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

- Mathematical Basics of AI and Data Science- Linear Algebra

- Probability Theory and Statistics

- Optimization

- Introduction to Artificial Intelligence- Problem Solving and Heuristic Search

- Logic and Knowledge Representation

- Planning, Learning and Decision Making under Uncertainty

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

- Model Building

- Model Evaluation

- Definition of Machine Learning and classes of Machine Learning Algorithms

- Machine Learning Classifiers

- Evaluation of Machine Learning Algorithms

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Immanente Leistungsüberprüfung

- Project work

- Exercises during lectures

- Final written exam

Die Studierenden wenden die erworbenen Fähigkeiten an, um ein Projekt koordiniert und strukturiert

abzuwickeln. Dabei definieren sie sich selbständig ein konkretes Teilziel im Projekt. Fundiertes theoretisches Vorgehen wird somit mit praktischer Anwendung kombiniert angewendet. Die Mitarbeit an einem industriellen F&E Projekt bzw. an aktuellen Problemstellung im Rahmen der F&E Tätigkeit der FH ist möglich.

Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.

Endprüfung

Praktisches Projekt in der Kleingruppe

- Selbstständige Bearbeitung einer fachlich relevanten Thematik basierend auf den technischen Themen der Wahlpflichtmodule im 4. und 5. Semester auf wissenschaftlichem Niveau unter Anleitung einer Betreuerin/eines Betreuers

- Ausarbeitung der Bachelorarbeit 1

Durchführung einer praktischen Arbeit und Ausarbeitung als Bachelorarbeit mit Coaching. Studierende präsentieren in regelmäßigen Abständen die aktuelle Fortentwicklung ihrer Bachelorarbeit 1 und stellen diese zur Diskussion.

Endprüfung

Approbation der Bachelorarbeit

- Deep Learning Foundation- Motivation and basic ideas

- Basic principles behind algorithms

- Deep Learning Algorithms and Networks- Convolutional Neuronal Networks (CNN)

- Recurrent Neural Networks (RNN)

- Generative Neural Networks (GAN, Autoencoders)

- Reinforcement Learning (Deep QNet)

- Applications of Deep Learning and Artificial Intelligence in other disciplines, including Medicine, IoT, Industry 4.0, Autonomous Driving, and Games.

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Endprüfung

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

- Mathematical Basics of AI and Data Science- Linear Algebra

- Probability Theory and Statistics

- Optimization

- Introduction to Artificial Intelligence- Problem Solving and Heuristic Search

- Logic and Knowledge Representation

- Planning, Learning and Decision Making under Uncertainty

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

- Model Building

- Model Evaluation

- Definition of Machine Learning and classes of Machine Learning Algorithms

- Machine Learning Classifiers

- Evaluation of Machine Learning Algorithms

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Immanente Leistungsüberprüfung

- Project work

- Exercises during lectures

- Final written exam

Die Studierenden wenden die erworbenen Fähigkeiten an, um ein Projekt koordiniert und strukturiert

abzuwickeln. Dabei definieren sie sich selbständig ein konkretes Teilziel im Projekt. Fundiertes theoretisches Vorgehen wird somit mit praktischer Anwendung kombiniert angewendet. Die Mitarbeit an einem industriellen F&E Projekt bzw. an aktuellen Problemstellung im Rahmen der F&E Tätigkeit der FH ist möglich.

Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.

Endprüfung

Praktisches Projekt in der Kleingruppe