Personendetails

Zentrale algorithmische Paradigmen (brute force, branch and bound, divide and conquer, greedy, …. ) werden anhand klassischer wie auch aktueller bioinformatischer Problemstellungen besprochen. Weiters werden wahrscheinlichkeitstheoretische und graphentheoretische Ansätze, sowie einige Aspekte aus der theoretischen Informatik (Komplexitätstheorie) vorgestellt.

Blended learning

Endprüfung

Schriftliche Prüfung sowie Beurteilung der praktischen Aufgabenstellungen

Poissonprozesse

Fluktuationstest nach Luria-Delbrück

Klassische Parameter und Verteilungstests

Lineare Regression

Ein-Faktor-Varianzanalyse

Integrierte Online Lehrveranstaltung

Endprüfung

Immanenter Prüfungscharakter. Die Lehrveranstaltung wird durch regelmäßige kurze Zwischenprüfungen und eine Semester-Abschlussarbeit beurteilt. Diese erfolgen schriftlich. Mögliche Fragen werden in mündlicher Form geklärt.

- Zahlenbereiche inkl. komplexer Zahlen

- Grundlagen von mathematischen Funktionen, speziell reeller Funktionen

- Diskussion von wichtigen elementaren reellen Funktionen, d.h., Polynome, Rationale Funktionen, Winkelfunktionen, Exponentialfunktion, Logarithmus

- Grenzwert von Funktionen und Stetigkeit

- Differentialrechnung

- Anwendungen der Differentialrechnung – Extremwerte und Taylorpolynome

- Unbestimmtes und bestimmtes Integral

- Grundlagen der Differentialgleichungen

Vortrag, gemeinsames Erarbeiten von illustrierenden Beispielen, Diskussion.

Immanente Leistungsüberprüfung

Abschließende Prüfung, Mitarbeit, Hausarbeit.

- Wahrscheinlichkeitsrechnung

- Daten analysieren, filtern und visualisieren

- Testen der Hypothesen

- Statistische Schätzer

- Experiment Design

- Vorgehensweise in statistischen Projekten

Theorievermittlung in Unterricht, Diskussion der praktischen Beispiele, Eigenes Projekt

Immanente Leistungsüberprüfung

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

- 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

- Arithmetik: Zahlenbereiche, komplexe Zahlen (Darstellungsformen und arithmetische Operationen).

- Lineare Algebra: Rechnen mit Vektoren, Matrizen und Determinanten. Lösungsmethoden für lineare Gleichungssysteme.

- Analysis, Funktionen Grundlagen, Stetigkeit, Differentiation und Integration.

- Vollständige Induktion.

- Zahlentheorie - Grundlagen der Teilbarkeitslehre und Primzahlen.

Übung der in der entsprechenden Vorlesung vermittelten Lehrinhalte an Hand von Beispielen, Festigung der in der Vorlesung vermittelten Begriffe und Anwendung der in der Vorlesung vermittelten Methoden auf Probleme in Theorie und Praxis.

Endprüfung

Immanenter Leistungsnachweis in Form von Mitarbeit und Präsentationen

- Arithmetik: Zahlenbereiche, komplexe Zahlen (Darstellungsformen und arithmetische Operationen).

- Lineare Algebra: Rechnen mit Vektoren, Matrizen und Determinanten. Lösungsmethoden für lineare Gleichungssysteme.

- Analysis, Funktionen Grundlagen, Stetigkeit, Differentiation und Integration.

- Vollständige Induktion.

- Zahlentheorie - Grundlagen der Teilbarkeitslehre und Primzahlen.

Vortrag

Endprüfung

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

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

Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.

Endprüfung

Praktisches Projekt in der Kleingruppe

- Deep Learning Foundation- Motivation and basic ideas

- Basic principles behind algorithms

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

- Recurrent Neural Networks (RNN)

- Generative Neural Networks (GAN, Autoencoders)

- Reinforcement Learning (Deep QNet)

- Applications of Deep Learning and Artificial Intelligence 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

- Arithmetik: Zahlenbereiche, komplexe Zahlen (Darstellungsformen und arithmetische Operationen).

- Lineare Algebra: Rechnen mit Vektoren, Matrizen und Determinanten. Lösungsmethoden für lineare Gleichungssysteme.

- Analysis, Funktionen Grundlagen, Stetigkeit, Differentiation und Integration.

- Vollständige Induktion.

- Zahlentheorie - Grundlagen der Teilbarkeitslehre und Primzahlen.

Übung der in der entsprechenden Vorlesung vermittelten Lehrinhalte an Hand von Beispielen, Festigung der in der Vorlesung vermittelten Begriffe und Anwendung der in der Vorlesung vermittelten Methoden auf Probleme in Theorie und Praxis.

Endprüfung

Immanenter Leistungsnachweis in Form von Mitarbeit und Präsentationen

- Arithmetik: Zahlenbereiche, komplexe Zahlen (Darstellungsformen und arithmetische Operationen).

- Lineare Algebra: Rechnen mit Vektoren, Matrizen und Determinanten. Lösungsmethoden für lineare Gleichungssysteme.

- Analysis, Funktionen Grundlagen, Stetigkeit, Differentiation und Integration.

- Vollständige Induktion.

- Zahlentheorie - Grundlagen der Teilbarkeitslehre und Primzahlen.

Vortrag

Endprüfung

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.

Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.

Endprüfung

Praktisches Projekt in der Kleingruppe

Kombinatorik

- Diskrete Mathematik- Endliche und unendliche Mengen

- Begriff der Abzählbarkeit und Überabzählbarkeit

- Grundlagen der Zahlentheorie

- Abzählbare Kombinatorik- Variationen

- Kombinationen

- Permutationen

Reine Stochastik

- Wahrscheinlichkeitstheorie

- Stochastische Prozesse

- Spielthorie

- Warteschlangentheorie

Statistik

- Mathematische Statistik - Multivariate Statistik

- Regressionsanalyse

- Ereigniszeitanalyse

- Zeitreihenanalyse

Anwendungen & Beispiele

Vortrag

Praktische Übungen in Präsenz sowie Fernlehre

Immanente Leistungsüberprüfung

Immanente Leistungsüberprüfung