{"id":49,"date":"2024-10-18T10:14:10","date_gmt":"2024-10-18T08:14:10","guid":{"rendered":"https:\/\/www.fh-joanneum.at\/industrial-data-science-and-ai-based-optimisation\/master\/?page_id=49"},"modified":"2024-11-28T08:03:27","modified_gmt":"2024-11-28T07:03:27","slug":"studienplan","status":"publish","type":"page","link":"https:\/\/www.fh-joanneum.at\/industrial-data-science-and-ai-based-optimisation\/master\/im-studium\/studienplan\/","title":{"rendered":"Studienplan"},"content":{"rendered":"\n
\n
\n
\n

Aktueller Studienplan<\/h2>\n <\/div>\n
\n
\n \n

\n 1. Semester<\/span>\n \n\n<\/svg> <\/h4>\n <\/a>\n \n \n
\n \n Data Storage and Processing 1 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807105<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Databases and Query Languages<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
3.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Einf\u00fchrung und Grundbegriffe\n– \u00dcberblick \u00fcber Datenbankmodelle \n– Architekturen von Datenbanken\n– Datensicherheit\n– …\n\nRelationale Datenbanken\n– Grundbegriffe des relationalen Datenmodells\n– Structured Query Language (SQL)\n– Import\/Export von Datens\u00e4tzen\n– Integrit\u00e4tsbedingungen, Normalformen und Denormalisierung\n– Rechtekonzept und Benutzerverwaltung\n– Fortgeschrittene Themen bei relationalen Datenbanken\n– …\n\n\u00dcberblick \u00fcber nichtrelationale Datenbanken\n– Key-Value-Datenbanken und dokumentenorientierte Datenbanken\n– Multidimensionale Datenbanken\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Data Storage and Processing 2 |\n \u00dcbung\n (UE)\n | Coursecode:\n M250807106<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Programming and Data Processing<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
3.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Programmierung bzw. Scripting\n– Programmierparadigmen\n– Grundlagen der Programmierung bzw. des Scriptings\n– Operatoren und Kontrollstrukturen\n– Funktionen und Bibliotheken\n– Regul\u00e4re Ausdr\u00fccke\n– …\n\nDatenbasierte Anwendungen\n– Import und Export von Daten\n– Elementares Datenhandling \n– …\n\nWerkzeuge\n– Werkzeuge zur Versionsverwaltung\n– Clean Coding und Debugging\n– Entwicklungsumgebungen\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Introduction and Foundations 1 |\n Vorlesung\n (VO)\n | Coursecode:\n M250807101<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Introduction to Data Science and Artificial Intelligence<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Einf\u00fchrung in Data Science und Artificial Intelligence\n– \u00dcberblick \u00fcber das Fachgebiet\n– Anwendungsm\u00f6glichkeiten und Einsatzgebiete\n– Gesellschaftlicher und rechtlicher Kontext\n– Zukunftsperspektiven\n– …\n\nGrundbegriffe und \u00dcbersicht bez. Data Science und Artificial Intelligence\n– Grundbegriffe von Data Science und Artificial Intelligence\n– \u00dcberblick \u00fcber wichtige Verfahren \n– Verzerrungen und G\u00fctekriterien\n– …\n\nWerkzeuge f\u00fcr Data Science und Artificial Intelligence\n– \u00dcbersicht \u00fcber IT-Infrastrukturen\n– \u00dcbersicht \u00fcber Tools und Frameworks\n– \u00dcbersicht \u00fcber Script- und Programmiersprachen\n– \u00dcbersicht \u00fcber Software-Stacks und Entwicklungsmethoden\n…\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Introduction and Foundations 1 |\n \u00dcbung\n (UE)\n | Coursecode:\n M250807102<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Quick Guide to Machine Learning<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Beispiele des Unsupervised Learning\n– Praktische Einf\u00fchrungsbeispiele aus dem Bereich Clustering\n– Praktische Einf\u00fchrungsbeispiele aus dem Bereich Dimensionsreduktion\n– …\n\nBeispiele des Supervised Learning\n– Praktische Einf\u00fchrungsbeispiele aus dem Bereich Klassifikation\n– Praktische Einf\u00fchrungsbeispiele aus dem Bereich Regression\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Introduction and Foundations 2 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807103<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Probability Theory and Descriptive Statistics<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
3.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Deskriptive Statistik\n– Grundbegriffe und Anwendungsgebiete der Statistik\n– H\u00e4ufigkeiten, H\u00e4ufigkeitsverteilungen und empirische Verteilungsfunktion\n– Kenngr\u00f6\u00dfen empirischer Verteilungen\n– Multivariate empirische Verteilungen\n– Visualisierung statistischer Daten\n– …\n\nWahrscheinlichkeitstheorie \n– Grundbegriffe der Wahrscheinlichkeitstheorie\n– Bedingte Wahrscheinlichkeiten und Bayes’sches Theorem\n– Grundbegriffe der Kombinatorik\n– Ein- und mehrdimensionale Zufallsvariablen\n– Wichtige diskrete und stetige univariate Verteilungen \n– Grenzwerts\u00e4tze und Approximation von Verteilungen\n– …\n\n Einf\u00fchrung in die Bayes-Statistik\n– A-priori- und A-posteriori-Verteilungen\n– Update und Analyse von Verteilungen f\u00fcr Parameter\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Introduction and Foundations 3 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807104<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Modelling and Numerical Simulations<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
3.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Modellierung und Simulation\n– Grundbegriffe von Systemen sowie der Modellierung und Simulation\n– Mathematische Grundlagen der Modellierung und Simulation\n– Modellierungs- und Simulationsarten im \u00dcberblick\n– …\n\nGraphentheorie\n– Grundbegriffe von Graphen\n– Eigenschaften und Kenngr\u00f6\u00dfen von Graphen\n– Grundtypen von Graphen bzw. Netzwerken\n– …\n\nSystemdynamik\n– Wirkungsgraphen, Pulsmodelle und Markow-Ketten\n– Kybernetische und regelungstechnische Grundlagen\n– Gew\u00f6hnliche Differentialgleichungssysteme und numerische Integration\n– …\n\nMonte-Carlo-Simulationen\n– Grundbegriffe der Monte-Carlo-Simulationen\n– Einsatz von Monte-Carlo-Simulationen f\u00fcr Prognoserechnungen\n– \u2026\n <\/div>\n\n <\/div>\n <\/button>\n
\n
Wahlpflichtf\u00e4cher:<\/h5>\n <\/div>\n \n
\n \n Refresher of Foundations |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807109<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Refresher on Information Technology<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Hardware\n– Zentrale Komponenten eines Computers\n– Bussysteme und Peripherie sowie Prozessorarchitekturen\n– Informationsverarbeitung und Informationscodierung\n– …\n\nBetriebssysteme\n– Familien von Betriebssystemen und deren Aufbau\n– Prozess- und Speicherverwaltung\n– Dateisysteme und Objektspeicher\n– …\n\nNetzwerke\n– Einf\u00fchrung in die Funktionsweise von Netzwerken\n– Einf\u00fchrung in die Terminologie von Netzwerken\n– OSI-Schichtenmodell und TCP\/IP\n– Schnittstellenprotokolle\n– …\n\nKryptographie\n– Grundbegriffe der Kryptographie\n– Symmetrische und asymmetrische kryptographische Verfahren\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Refresher of Foundations |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807107<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Refresher on Mathematics<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Mathematische Grundbegriffe\n– Mengenlehre und Zahlenmengen \n– Rechnen mit komplexen Zahlen\n– Elementare Funktionen\n– …\n\nElementare Analysis\n– Differenzialrechnung, Kurvendiskussion und Extremwertaufgaben\n– Grundlagen der Integralrechnung\n– …\n\nGrundbegriffe der Linearen Algebra\n– Vektoren, Matrizen und Tensoren\n– Determinanten und L\u00f6sungen von linearen Gleichungssystemen\n– Eigenwerte und Eigenvektoren\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Refresher of Foundations |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807108<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Refresher on Unix Shells and LaTeX<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Grundlagen unixoider Betriebssysteme\n– Einf\u00fchrung in textbasierte Shells \n– Dateitypen und Datenkompression\n– Dateisysteme und Berechtigungen\n– Prozesse und Jobs\n– Wichtige Tools unixoider Shells\n– Shellscripting\n– …\n\nTextmanipulation\n– Elementare Tools und Pipes \n– Regul\u00e4re Ausdr\u00fccke\n– Wichtige Editoren\n– …\n\nAuszeichnungssprache LaTeX\n– Befehle und Umgebungen\n– Dokumentenklassen und Seitenstile\n– Mathematische Formeln\n– …\n <\/div>\n\n <\/div>\n <\/button>\n <\/div>\n <\/div>\n <\/div>\n
\n
\n \n

\n 2. Semester<\/span>\n \n\n<\/svg> <\/h4>\n <\/a>\n \n \n
\n \n Computational Intelligence 1 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807202<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Data Mining and Statistical Learning<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
3.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Gundlagen der Multivariaten Statistik\n– Wiederholung der Matrixalgebra\n– Multivariate Beobachtungen und Verteilungen\n– Kovarianz-, Korrelations- und Distanzmatrizen\n– …\n\nMethoden des Supervised Learning\n– Einfache und multiple lineare Regression \n– Regularisierungsmethoden\n– Methoden basierend auf latenten Variablen\n– Entscheidungsb\u00e4ume und verwandte Methoden\n– Logistische Regression\n– Lineare und quadratische Diskriminanzanalyse\n– Naive-Bayes-Klassifikator\n– K-Nearest-Neighbor-Klassifikation\n– …\n\nMethoden des Unsupervised Learning\n– Methoden der Clusteranalyse\n– Dimensionsreduktion\n– …\n\nWeitere Themen\n– Optimierung und Validierung von Vorhersagemodellen\n– Fortgeschrittene Formen der Visualisierung\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Computational Intelligence 1 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807203<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Numerics and Computational Optimisation<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Technische Numerik\n– Reduktion numerischer Fehler\n– Numerisches L\u00f6sen von Gleichungssystemen\n– Numerisches Differenzieren und numerische Integration\n– Numerisches L\u00f6sen von gew\u00f6hnlichen Differentialgleichungssystemen\n– …\n\nNumerische Optimierung\n– Grundlegende Aspekte von Optimierungsaufgaben\n– Lineare Programmierung\n– Nichtlineare Optimierung mit Nebenbedingungen\n– Multikriterielle Optimierung\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Computational Intelligence 2 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807204<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Machine Learning with Artificial Neural Networks<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
3.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Grundlagen und Werkzeuge von k\u00fcnstlichen neuronalen Netzen\n– K\u00fcnstliche Neuronen, Aktivierungsfunktionen, Schichten (insb. MLP)\n– Backpropagation and Fehlerminimierung\n– Vorstellung g\u00e4ngiger technischer Frameworks\n– Anwendungsgebiete und Limitationen\n– …\n\nArchitekturen von k\u00fcnstlichen neuronalen Netzen\n– \u00dcbersicht weiterf\u00fchrender Architekturbausteine\n– Recurrent Networks\n– Convolutional Networks\n– Autoencoder Networks\n– …\n\nAusgew\u00e4hlte einfache Anwendungsgebiete\n– Textanalyse\n– Bild- bzw. Videoanalyse\n– Audio- und Signalanalyse\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Data Storage and Processing 3 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807201<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Data Quality and Data Fusion<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
3.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Datenvorbereitung\n– Datentypkonvertierung und Normierung\n– Analyse der Datenqualit\u00e4t und Erkennung von Anomalien\n– Singul\u00e4re und multiple Imputation\n– Anonymisierung und Hashing von Daten\n– …\n\nVorbereitung komplexer Daten\n– Besonderheiten von Audio-, Bild-, Videodaten und Signaldaten\n– Transformationen und Diskretisierung von kontinuierlichen Daten\n– …\n\nDatenfusionen und Feature Engineering\n– Komplexe Filterung und Sortierung von Daten\n– Aggregationen und Transformationen von Daten\n– Feature Selection Verfahren\n– …\n\nPipelining und Data Lifecycle Management\n– Grundbegriffe und \u00dcbersicht \u00fcber Frameworks\n– Konzeption und Implementierung von Pipelines\n– Grundelemente des Data-Lifecycle-Managements\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Interdisciplinary Qualifications 1 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807205<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Project Management and Scientific Writing<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Grundlagen des Projektmanagements\n– Grundbegriffe und Werkzeuge\n– Elemente der klassischen Projektabwicklung\n– Agile Projektabwicklung\n– Arbeitstechniken und Zeitmanagement\n– \u2026\n\nForschungsprozesse\n– Wichtige Theorien bzw. Denkrichtungen der Wissenschaftstheorie\n– \u00dcberblick \u00fcber wissenschaftliche Forschungsmethoden\n– Recherche und wissenschaftliches Exzerpieren\n– Forschungsfragen, Hypothesen, Forschungsvorhaben\n– Analyse, Publikation und Pr\u00e4sentation des Erkenntnisgewinns\n– …\n\nGrundlagen des wissenschaftlichen Schreibens\n– Formulierung, Strukturierung, Formatierung und Visualisierung\n– Quellenverwaltung, Eigentumsrechte und ethische Grunds\u00e4tze\n– Qualit\u00e4tssicherung bzw. Reviews und Peer Reviews\n– Ver\u00f6ffentlichungsplattformen, Rankings und Impact-Faktoren\n– …\n\nEingrenzung der eigenen Masterarbeit\n– Themensuche f\u00fcr die eigene Masterarbeit \n– Ableitung von Forschungsfragen f\u00fcr die eigene Masterarbeit\n– …\n <\/div>\n\n <\/div>\n <\/button>\n
\n
Vertiefung Industrial Data Science and AI-based Optimisation:<\/h5>\n <\/div>\n \n
\n \n Industrial Data Science and AI-based Optimisation 1 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807213<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Digital Signal Processing<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Audio- und Signalverarbeitung\n– Spektralanalyse\n– Noise Reduction and Cancellation\n– Typen der Audio- und Signalkompression\n– Einf\u00fchrung in die Spracherkennung\n– Einf\u00fchrung in die Echtzeitdatenanalyse\n– …\n\nBildverarbeitung\n– Anwendung von verschiedenen Filtern\n– Typen der Bildkompression\n– Objekterkennung, -klassifikation und -verfolgung\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Industrial Data Science and AI-based Optimisation 1 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807212<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Industrial Robotics and Control Engineering<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
3.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Grundlagen der Robotik\n– \u00dcberblick \u00fcber unterschiedliche Roboterarchitekturen\n– \u00dcberblick \u00fcber wesentliche Sensoren und deren Signale\n– \u00dcberblick \u00fcber wesentliche Aktoren und deren Ansteuerung\n– Freiheitsgrade, Kinematik und inverse Kinematik\n– …\n\nControl Engineering\n– Steuerung vs. Regelung\n– Einf\u00fchrung in die Sensorfusion und den Kalman-Filter\n– Regelung dynamischer Systeme\n– Ordnungsreduktion von Systemmodellen\n– \u2026\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Industrial Data Science and AI-based Optimisation 2 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807214<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Time Series Analysis and Inferential Statistics<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Zeitreihenanalyse\n– Spezielle Begriffe der Zeitreihenanalyse\n– Deskriptive Analyse und Visualisierung von Zeitreihen\n– Feature Engineering und Modellierungstechniken \n– Anomalieerkennung, Filterung und G\u00fcte\n– Forecasting und Imputation\n– …\n\nInduktive Statistik\n– Grundgesamtheit und Stichproben\n– Punkt- und Intervallsch\u00e4tzung\n– Sch\u00e4tzung nach der Maximum-Likelihood und Momentenmethode\n– Parametrische und nicht-parametrische statistische Tests\n– Multiples Testen\n– Berechnungsintensive Methoden\n– …\n <\/div>\n\n <\/div>\n <\/button>\n <\/div>\n <\/div>\n <\/div>\n
\n
\n \n

\n 3. Semester<\/span>\n \n\n<\/svg> <\/h4>\n <\/a>\n \n \n
\n \n Master's Thesis and Master's Examination 1 |\n Seminar\n (SE)\n | Coursecode:\n M250807301<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Master's Thesis Expos\u00e9<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Iteratives Verfassen des Expos\u00e9s zur Masterarbeit\n– Darstellung der Problemstellung und der Forschungsfragen\n– Darstellung der Methodologie und der geplanten Vorgangsweise\n– Umf\u00e4ngliche Darstellung der relevanten Literatur und wissenschaftlicher Vorleistungen\n– Beachtung von Normen, Standards, Vorlagen und Vorgaben des Studiengangs\n– …\n\nPr\u00e4sentation der Inhalte des Expos\u00e9s\n– Wissenschaftliche Pr\u00e4sentation nach Vorlagen und Vorgaben des Studiengangs\n– Diskussion und Verteidigung der geplanten Vorgansweise \n– \u00dcberarbeitung des Expos\u00e9s auf Basis des erhaltenen Feedbacks bzw. Peer-Reviews\n– …\n <\/div>\n\n <\/div>\n <\/button>\n
\n
Wahlpflichtf\u00e4cher:<\/h5>\n <\/div>\n \n
\n \n Elective Lab Course |\n Projektarbeit\n (PA)\n | Coursecode:\n M250807322<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Augmented and Virtual Reality Lab<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
2.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Grundlagen von “Augmented and Virtual Reality”\n– Grundlagen von Augmented Reality und Virtual Reality\n– Auseinandersetzung mit aktuellen Entwicklungen\n– …\n\nDurchf\u00fchrung von Projekten aus dem Bereich “Augmented and Virtual Reality”\n– Auseinandersetzung mit gegebenen Anforderungen\n– Erarbeitung unterschiedlicher L\u00f6sungsstrategien\n– Planung, Entwicklung und Programmierung eines AR- bzw. VR-Projekts \n– Steuerung und Controlling des Projekts bzw. Projektfortschritts\n– Zusammenarbeit im Team inkl. etwaiger Konfliktl\u00f6sungen\n– …\n\nProjektdokumentation sowie Dissemination von Projektergebnissen\n– Erstellung von Projektdokumentationen auf Basis von Normen, Standards und Vorgaben\n– Pr\u00e4sentation und Diskussion des Projektfortschritts sowie der Projektergebnisse\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Elective Lab Course |\n Projektarbeit\n (PA)\n | Coursecode:\n M250807320<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Distributed Computing and Federated Learning<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
2.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Grundlagen von “Distributed Computing and Federated Learning”\n– Grundlagen von verteiltem Rechnen und f\u00f6deriertem Lernen\n– Auseinandersetzung mit aktuellen Entwicklungen\n– …\n\nDurchf\u00fchrung von Projekten aus dem Bereich “Distributed Computing and Federated Learning”\n– Auseinandersetzung mit gegebenen Anforderungen\n– Erarbeitung unterschiedlicher L\u00f6sungsstrategien\n– Planung, Durchf\u00fchrung, Steuerung und Controlling des Projekts bzw. Projektfortschritts\n– Zusammenarbeit im Team inkl. etwaiger Konfliktl\u00f6sungen\n– …\n\nProjektdokumentation sowie Dissemination von Projektergebnissen\n– Erstellung von Projektdokumentationen auf Basis von Normen, Standards und Vorgaben\n– Pr\u00e4sentation und Diskussion des Projektfortschritts sowie der Projektergebnisse\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Elective Lab Course |\n Projektarbeit\n (PA)\n | Coursecode:\n M250807321<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Tangible UI\/UX Lab<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
2.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Grundlagen von “Tangible UI\/UX”\n– Grundlagen von Tangible User Interfaces bzw. UI\/UX Design\n– Auseinandersetzung mit aktuellen Entwicklungen\n– Ausgew\u00e4hlte Grundlagen der Mikroelektronik\n– …\n\nDurchf\u00fchrung von Projekten aus dem Bereich “Tangible UI\/UX”\n– Auseinandersetzung mit gegebenen Anforderungen\n– Erarbeitung unterschiedlicher L\u00f6sungsstrategien\n– Planung, Entwicklung und Programmierung eines “Tangible UI\/UX”-Projekts\n– Steuerung und Controlling des Projekts bzw. Projektfortschritts\n– Zusammenarbeit im Team inkl. etwaiger Konfliktl\u00f6sungen\n– …\n\nProjektdokumentation sowie Dissemination von Projektergebnissen\n– Erstellung von Projektdokumentationen auf Basis von Normen, Standards und Vorgaben\n– Pr\u00e4sentation und Diskussion des Projektfortschritts sowie der Projektergebnisse\n– …\n <\/div>\n\n <\/div>\n <\/button>\n
\n
Vertiefung Industrial Data Science and AI-based Optimisation:<\/h5>\n <\/div>\n \n
\n \n Industrial Data Science and AI-based Optimisation 3 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807314<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Advanced Prediction Methods<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Predictive Maintenance\n– \u00dcberblick \u00fcber Anwendungsf\u00e4lle und eingesetzte Methoden\n– Planung, Konzeption, Setup sowie Training und Optimierung von Modellen\n– …\n\nState-of-the-Art Methoden der Pr\u00e4diktiven Analytik \n– Neuere Entwicklung im Fachgebiet\n– Diskussion und Anwendung aktueller Verfahren und Methoden\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Industrial Data Science and AI-based Optimisation 3 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807315<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Agent-based Programming and Reinforcement Learning<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
3.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Grundlagen zur Agenten-basierten Programmierung\n– Zellul\u00e4re Automaten, Selbstorganisation und Emergenzen \n– Eigenschaften von Agenten bzw. Agenten-basierten Modellen\n– Einf\u00fchrung in die Konzeption und Programmierung von Agenten-basierten Modellen\n– Optimierung von Agenten-basierten Modellen mittels Evolution\u00e4rer Methoden\n– Georeferenzierung und Konvertierung von Raumkoordinaten\n– Schwarmintelligenz und Synchronisation\n– Grundlagen von Discrete Event Simulations\n– …\n\nEntscheidungs- und Spieltheorie\n– Entscheidungstheoretische Grundlagen\n– Spieltheoretische Grundlagen \n– Markow-Entscheidungsprobleme\n– …\n\nReinforcement Learning\n– Grundbegriffe und \u00dcberblick \u00fcber Verfahren\n– Temporal Difference Learning (Q-Learning, SARSA, …)\n– Grundbegriffe und Grundlagen des MARL\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Industrial Data Science and AI-based Optimisation 4 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807318<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
MLOps and Continuous Monitoring<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Fundamente von MLOps\n– Prinzipien von MLOps\n– Technologie-Stacks und Werkzeuge\n– Use Case Analyse und Ableitung von Pipeline-Architekturen\n– …\n\nLifecycle von Machine Learning Modellen\n– Training und Optimierung von Modellen\n– Nachverfolgbarkeit von modellbezogenen Experimenten\n– Code-, Daten- und Modellverifikation\n– Validierung und Qualit\u00e4tssicherung von Modellen\n– Operativer Einsatz von Machine Learning Modellen\n– …\n\nMonitoring und Weiterentwicklung\n– Konzeption, Planung und Umsetzung des CI\/CD-Monitorings\n– Konzeption, Planung und Umsetzung des Applikations-Monitorings\n– Laufendes Training der Modelle\n– Laufende Weiterentwicklung der Pipeline\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Industrial Data Science and AI-based Optimisation 5 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807317<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Biologically Inspired Approaches to Optimisation<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Heuristische bzw. metaheuristische Optimierung\n– Abgrenzung zur klassischen Optimierung\n– Einf\u00fchrung in Evolution\u00e4re Algorithmen (EA)\n– Genetischer Algorithmen (GA) und verschiedener Variationen\n– …\n\nAusgew\u00e4hlte fortgeschrittene Metaheuristiken\n– Simulated Annealing\n– Ant Colony Optimization (ACO)\n– Partikelschwarmoptimierung (PSO)\n– Kombinatorische Optimierung\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Industrial Data Science and AI-based Optimisation 5 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807316<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Process Optimisation and AI-based Operations Research<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Mathematische Grundlagen\n– Wiederholung und Vertiefung von ausgew\u00e4hlten Grundlagen der linearen Algebra \n– Wiederholung und Vertiefung graphentheoretischer Grundlagen\n– …\n\nGraphenbasierte Optimierung\n– Scheduling- und Allokations-Probleme\n– Rundreiseprobleme und Routing-Probleme\n– Weitere graphenbasierte Optimierungen\n– …\n\nOperations Research\n– Typische Probleme des Operation Research\n– Dynamische Optimierungsprobleme\n– Fortgeschrittene diskrete Optimierungsprobleme\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Industrial Data Science and AI-based Optimisation 6 |\n Projektarbeit\n (PA)\n | Coursecode:\n M250807319<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Project Work in Industrial Data Science and AI-based Optimisation<\/h5>\n
\n
\n
5.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
2.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Durchf\u00fchrung von Projekten aus dem Bereich “Industrial Data Science and AI-based Optimisation”\n– Auseinandersetzung mit gegebenen Anforderungen\n– Erarbeitung unterschiedlicher L\u00f6sungsstrategien\n– Planung, Durchf\u00fchrung, Steuerung und Controlling von Projekten\n– Zusammenarbeit im Team inkl. etwaiger Konfliktl\u00f6sungen\n– …\n\nProjektdokumentation sowie Dissemination von Projektergebnissen\n– Erstellung von Projektdokumentationen auf Basis von Normen, Standards und Vorgaben\n– Pr\u00e4sentation und Diskussion von Projektfortschritten sowie Projektergebnissen\n– …\n <\/div>\n\n <\/div>\n <\/button>\n <\/div>\n <\/div>\n <\/div>\n
\n
\n \n

\n 4. Semester<\/span>\n \n\n<\/svg> <\/h4>\n <\/a>\n \n \n
\n \n Interdisciplinary Qualifications 2 |\n Seminar\n (SE)\n | Coursecode:\n M250807402<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Business Dialogue and Case Studies<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Data Science und AI in der Praxis\n– Analyse von Problemstellungen und Auswahl von geeigneten Methoden und Algorithmen\n– Diskussion der Vor- und Nachteile verschiedener Methoden und Algorithmen\n– …\n\nBest Practices und die Zukunft von Data-Sciene- und AI-Projekten\n– Best Practices bei Data-Science- und AI-Projekten\n– Vermeidung typischer Fallstricke bei Data-Sciene- und AI-Projekten\n– Diskussion \u00fcber den Status Quo und die Zukunft von Data Science und AI\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Interdisciplinary Qualifications 2 |\n Integrierte Lehrveranstaltung\n (IL)\n | Coursecode:\n M250807401<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Ethics, Compliance and Data Protection<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Ethik\n– Ethische Grundbegriffe und Problemstellungen\n– Ethische Betrachtung von Big Data und K\u00fcnstlicher Intelligenz\n– Corporate Social Responsibility\n– …\n\nIT-Compliance bzw. IT-Risikomanagement\n– IT-Governance und IT-Compliance\n– IT-Risiken und IT-Risikomanagement\n– …\n\nDatenschutz\n– Grundbegriffe und \u00dcberblick\n– Nationale und internationale gesetzliche Vorgaben\n– Datenschutzgrundverordnung\n– Rechtsdurchsetzung im Bereich Datenschutz\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Master's Thesis and Master's Examination 2 |\n Modul-\/Abschlusspr\u00fcfung\n (FA)\n | Coursecode:\n M250807405<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Master's Examination<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
0.00<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Vorbereitung auf die abschlie\u00dfende Masterpr\u00fcfung \n– Vorbereitung der Pr\u00e4sentation der Eckpunkte der verfassten Masterarbeit nach Vorlagen und Vorgaben des Studiengangs\n– Vorbereitung auf die Verteidigung der verfassten Masterarbeit\n– Vorbereitung auf die Teilpr\u00fcfungen \u00fcber wichtige studienplanrelevante Inhalte\n– …\n\nAblegung der abschlie\u00dfenden Masterpr\u00fcfung \n– Pr\u00e4sentation der Eckpunkte der verfassten Masterarbeit\n– Verteidigung der verfassten Masterarbeit \n– Fachkundige Erkl\u00e4rung und Diskussion wichtiger studienplanrelevanter Inhalte\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Master's Thesis and Master's Examination 2 |\n Masterarbeit\n (MA)\n | Coursecode:\n M250807404<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Master's Thesis<\/h5>\n
\n
\n
20.00<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
0.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Wissenschaftliche Forschung\n– Selbstst\u00e4ndige Durchf\u00fchrung des geplanten Forschungsvorhabens nach wissenschaftlichen Qualit\u00e4tskriterien\n– Regelm\u00e4\u00dfige Abstimmungen mit dem Betreuer bzw. der Betreuerin der Masterarbeit\n– …\n\nAbfassen der Masterarbeit\n– Verfassung der Masterarbeit nach bestimmten Normen, Standards, Vorlagen und Vorgaben des Studiengangs\n– Regelm\u00e4\u00dfige Abstimmungen mit dem Betreuer bzw. der Betreuerin der Masterarbeit\n– …\n <\/div>\n\n <\/div>\n <\/button>\n \n
\n \n Master's Thesis and Master's Examination 2 |\n Seminar\n (SE)\n | Coursecode:\n M250807403<\/span>\n <\/div>\n Unterrichtssprache\n Englisch<\/small>\n
\n
Master's Thesis Seminar<\/h5>\n
\n
\n
2.50<\/h5>\n ECTS<\/span>\n <\/div>\n
\n
1.50<\/h5>\n SWS<\/span>\n <\/div>\n <\/div>\n <\/div>\n\n \n Dissemination erster Ergebnisse der Masterarbeit\n– Pr\u00e4sentation und Verteidigung erster Ergebnisse der Masterarbeit\n– Fachliches Feedback nehmen sowie reflektieren\n– …\n\nDiskussion verschiedener Forschungsvorhaben\n– Diskussion \u00fcber erste Ergebnisse anderer Masterarbeitsprojekte\n– Fachliches Feedback geben\n– …\n <\/div>\n\n <\/div>\n <\/button>\n <\/div>\n <\/div>\n <\/div>\n \n <\/div>\n <\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Um die vielseitige und praxisbezogene Ausbildung bestm\u00f6glich abzubilden, sind alle Inhalte des Studiums in themenbezogene Module zusammengefasst. Eine \u00dcbersicht aller Module mit zugeh\u00f6rigen Lehrveranstaltungen finden Sie hier.<\/p>\n","protected":false},"author":143,"featured_media":0,"parent":10,"menu_order":20,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"acf":[],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.fh-joanneum.at\/industrial-data-science-and-ai-based-optimisation\/master\/wp-json\/wp\/v2\/pages\/49"}],"collection":[{"href":"https:\/\/www.fh-joanneum.at\/industrial-data-science-and-ai-based-optimisation\/master\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.fh-joanneum.at\/industrial-data-science-and-ai-based-optimisation\/master\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.fh-joanneum.at\/industrial-data-science-and-ai-based-optimisation\/master\/wp-json\/wp\/v2\/users\/143"}],"replies":[{"embeddable":true,"href":"https:\/\/www.fh-joanneum.at\/industrial-data-science-and-ai-based-optimisation\/master\/wp-json\/wp\/v2\/comments?post=49"}],"version-history":[{"count":4,"href":"https:\/\/www.fh-joanneum.at\/industrial-data-science-and-ai-based-optimisation\/master\/wp-json\/wp\/v2\/pages\/49\/revisions"}],"predecessor-version":[{"id":155,"href":"https:\/\/www.fh-joanneum.at\/industrial-data-science-and-ai-based-optimisation\/master\/wp-json\/wp\/v2\/pages\/49\/revisions\/155"}],"up":[{"embeddable":true,"href":"https:\/\/www.fh-joanneum.at\/industrial-data-science-and-ai-based-optimisation\/master\/wp-json\/wp\/v2\/pages\/10"}],"wp:attachment":[{"href":"https:\/\/www.fh-joanneum.at\/industrial-data-science-and-ai-based-optimisation\/master\/wp-json\/wp\/v2\/media?parent=49"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}