AI for Sustainable Technologies
Agiles Projektmanagement
| Semester | 1 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM1APMIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 1 |
| ECTS-Punkte | 2 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Agiles Management und Steuerung von Projekten und Prozessen; Vorgehensmodelle bei der Softwareentwicklung (vgl. Scrum, KANBAN); Agile Grundprinzipien und Werte (value driven delivery, minimal viable product, self organizing teams, simple & focused communication); Vorgehensmodelle zur Entscheidungsfindung; Digitalisierung & Agilität ¿ Interdependenzen; Entwicklungsstufen zu einer agilen Organisation; Kennenlernen von verschiedenen Templates, Tools und Methoden, die ein agiles Vorgehen in Projekten unterstützen. Abgrenzung zum klassischen Projektmanagement. Verifizierung der Stärken und Schwächen der eingesetzten Tools je nach IT-Einsatzbereich
Lernergebnis:
Basierend auf der Kenntnis von Zielen und theoretischen Grundlagen des agilen Projektmanagements implementieren Absolvent*innen eigene Projekte unter Verwendung der entsprechenden Tools und Methoden und reflektieren kritisch, wie agile Herangehensweisen sich auf die Umsetzung auswirken.
Übergeordnetes Modul:
IT-Management 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Analytics & Knowledge Discovery
| Semester | 1 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM1AKDIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Englisch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
The Machine Learning Workflow, data import, data coding, exploratory data analysis, data cleaning, handling of missing values, feature generation, Curse of Dimensionality, Kernel Density Estimators, multivariate normal distribution, Gaussian Mixture Models, PCA, t-SNE, K-means, Hierarchical Clustering. Spectral Clustering, Distances and Similarity Measures
Lernergebnis:
Die Lehrveranstaltung fokussiert auf nicht-überwachtes Lernen und den ersten Teil des Machine Learning Workflows. Die Absolvent*innen importieren, codieren visualisieren unterschiedliche Typen (numerische, kategoriale, Text-) von Daten im Rahmen des Machine Learning Workflows. Sie erkennen Fehler in Daten und gehen entsprechend damit um. Ebenso gehen sie in passender Weise mit fehlenden Werten um, um nachfolgende Analysen nicht negativ zu beeinflussen. Bei Bedarf reduzieren sie die Dimensionalität der Daten (z.B. mit PCA oder tSNE) für die Visualisierung, und visualisieren Dichten neben Histogrammen auch mit Kerndichteschätzern. Sie identifizieren Cluster mit den Standardmethoden Gaussian Mixtures, kmeans, hierarchisches Clustern. Ausblick: flexiblere Methoden wie etwa spectral clustering.
Übergeordnetes Modul:
Data Science & Analytics
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Data Science & Artificial Intelligence
| Semester | 1 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM1DSAIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Englisch |
| SWS | 3 |
| ECTS-Punkte | 5 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Definition of Terminology, Design Cycle, Extended Design Cycle, Sampling, Pre-processing, Normalization, Performance Measures, Cross Validation, Training Policies, K-nearest Neighbour and Minimum Distance Classifier, Artificial Neural Networks, Over- and Underfitting, Regularization, Introduction to Statistical Learning Theory
Lernergebnis:
Die Absolvent*innen kennen nach Abschluss dieses Kurses die Arten und Komponenten von Data-Science-Projekten und können deren Struktur beschreiben. Sie benennen Rollen und Aufgaben von Projektmitarbeiter*innen. Sie verstehen die Konzepte für Daten, Modelle und Algorithmen und deren Zusammenhang. Sie diskutieren die Eignung einer Datensammlung oder eines geplanten Datenerfassungsprozesses im Hinblick auf ein Data-Science-Projekt. Die Absolvent*innen verwenden den klassischen Ansatz zur Extraktion von Informationen aus Daten in verschiedenen Darstellungsformen (numerisch, kategorial, one-hot oder Text). Sie sammeln, verarbeiten und visualisieren Daten, um ein grundlegendes Verständnis derselben zu erlangen. Sie folgen dem Design-Zyklus für überwachtes Lernen, indem sie eine datenspezifisches Feature-Generierung, das Sampling von Trainings- und Testdaten, das Training ausgewählter Klassifikatoren und die Analyse von deren Leistungsfähigkeit implementieren. Die Absolvent*innen nutzen modernste Entwicklungswerkzeuge und skalierbare Technologien und argumentieren ihre Ansätze professionell.
Übergeordnetes Modul:
Data Science & Analytics
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Discussion & Argumentation Skills
| Semester | 1 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM1DASIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Englisch |
| SWS | 1 |
| ECTS-Punkte | 2 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Argumentations-, Verhandlungs- und Diskussionstechniken, Einsatz entsprechender Phrasen und rhetorischer Mittel, praktische Beispiele und Rollenspiele
Lernergebnis:
Die Absolvent*innen können ein Thema auf Englisch klar und verständlich präsentieren. Sie sind befähigt, Argumente logisch und stringent aufzubauen und auf Fragen und Gegenargumente sprachlich kompetent einzugehen.
Übergeordnetes Modul:
Sozialkompetenz & Kommunikation 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
IT- & Security-Management
| Semester | 1 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM1ITMIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
IT-Management & Enterprise Architecture; Erstellung und Nutzung der Informationstechnik, Planung und Steuerung der IT (= IT-Strategien), Interaktion zwischen IT und Fachabteilungen (z.B. Marketing, Controlling, Finanzen); TCO-Analyse; einschlägige Normen und Frameworks wie ISO17799 und ISO20000, Change Management, Problemmanagement (helpdesk), Sicherheitsmanagement, Life-Cycle-Management, Desaster-Recovery Maßnahmen; Hybrid-Distributed Cloud & Cloud Operations; Automation in Software Development (DevSecOps). IT-Security Organization, Governance, Risk-Complience; Einordnung IT-Security, nationale und internationale Information Security Standards und Frameworks (z.B. ISO27000, IT Grundschutz), Cyber Security Strategien, Security-Life-Cycle, Security Policies / Standards / Guidelines / Procedures, Ethical Hacking und Penetration Testing, IT und Malware Forensics, Incident Handling und Computer Emergency Response Team (CERT), Rechtsgrundlagen und juristische Besonderheiten u.a. aus dem Telekommunikationsgesetz und Datenschutzrecht.
Lernergebnis:
Die Absolvent*innen verfügen über das notwendige Wissen, um die IT in einem Unternehmen erfolgreich zu gestalten und zu managen. Als künftige IT & Security Manager*innen verstehen sie das betreffende betriebliche, rechtliche und soziale Umfeld und beherrschen den Aufbau, das Management (Rollen/Zugriffsrechte) einer IT-Infrastruktur, um u.a. auch der EU-Datenschutzverordnung gerecht zu werden. Sie haben die Fähigkeit, die IT auf die Unternehmensorganisation und Bedürfnisse auszurichten und verstehen die IT als Teil der betrieblichen Prozesse. Darüber hinaus können sie die IT als Business führen und ermöglichen eine Verbesserung der Kerngeschäftsprozesse durch innovative Technologien (Technology Business Management / CTO). Sie können Sicherheitsbedrohungen einschätzen und kennen aktuelle Gegenmaßnahmen. Die Absolvent*innen können zudem technische Maßnahmen zur IT-Sicherheit selbstständig und kompetent umzusetzen.
Übergeordnetes Modul:
IT-Management 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Mathematik & Modellierung
| Semester | 1 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM1MAMIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 4 |
| ECTS-Punkte | 5 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Vektorwertige Funktionen in mehreren Variablen, Vektorfelder, skalare Felder, partielle Ableitungen, Differentialoperatoren, Jacobi- und Hesse Matrix, Richtungsableitung, Taylor-Reihen in mehreren Variablen, kritische Punkte, lokale Minima, Maxima und Sattelpunkte (mit Nebenbedingungen), Linearisierung, Gradientenverfahren. Pre-Hilbert-Raum, inneres Produkt, Norm, Metrik, (Orthonormal-)Basis und Basistransformation, Eigenwerte, Eigenvektoren, Matrixzerlegungen und Anwendungen (Hauptachsentransformation, PCA)
Lernergebnis:
Die Absolvent*innen erfassen mathematische Ausdrücke in der für sie relevanten Fachliteratur für das Verständnis und die Umsetzung der darin enthaltenen Aussagen. Sie geben eigene Gedankengänge in präziser, mathematischer Schreibweise wieder. Sie wählen geeignete mathematische Verfahren zur Lösung von Sachproblemen aus und setzen diese um.
Übergeordnetes Modul:
Mathematische Methoden
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Software & Process Notations
| Semester | 1 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM1SPNIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Englisch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Textuelle und grafische Notationen für Softwareentwicklung und Prozess-Modellierung (z.B. BPMN, SPEM); Notationen für Dienst- und Schnittstellen-Spezifikationen; Einsatz gängiger Notations-Werkzeuge; Nutzung domänenspezifischer UML-Profile; Meta-Modellierung; Aktuelle Themen der Software-Notationen
Lernergebnis:
Die Absolvent*innen entwickeln formalisierte Beschreibungen von unterschiedlichen Artefakten der Softwareentwicklung sowie von wirtschaftlichen Abläufen und vernetzten Prozessen. Sie setzen die gängigen UML-Diagrammtypen zur Systementwicklung ein und erweitern die Notation beispielsweise durch Bildung von Profilen. Sie verwenden entsprechende CASE-Tools und bewerten Methoden und Werkzeuge der plattformunabhängigen Softwareentwicklung. Sie beherrschen Abstraktionskonzepte modellgetriebener Softwareentwicklung.
Übergeordnetes Modul:
Informatik
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Verteilte Systeme & Cloud-Technologien
| Semester | 1 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM1VSCIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 3 |
| ECTS-Punkte | 4 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Anwendungsbezogene Kommunikationsparadigmen; plattformübergreifende Protokolle und Dienste sowie verteiltes Datenmanagement; Überblick über die Komponententechnologien; Entwicklungs-, Integrations- und Deployment-Paradigmen für verteilte Software-Systeme; Cloud-Service-Modelle; Kommunikationstechniken für zeitabhängige Datenströme; Aktuelle Themen und Anwendungsbeispiele der Software-Technologien.
Lernergebnis:
Die Absolvent*innen entwerfen, implementieren und deployen verteilte Softwaresysteme und realisieren verteiltes Daten-Management und verteilte softwarebasierte Dienste. Sie setzen aktuelle Komponententechnologien und wirtschaftsrelevante Middleware- und Cloud-Systeme ein und nutzen Methoden und Werkzeuge der plattformunabhängigen Softwareentwicklung.
Übergeordnetes Modul:
Informatik
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Zukunftsfähige Technologie & Nachhaltige Gesellschaft
| Semester | 1 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM1ZTNIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Sozial-ökologisches Framework entlang der Sustainable Development Goals (SDGs); Komplexität und Solutionismus im Umfeld von Green Technology managen; Behandlung der Gesellschaft-Technologie-Wirkung: Wie Gesellschaft auf Technologieentwicklung und wie die Entwicklung von Technologie auf die Gesellschaften wirkt; das Narrativ von KI in Bezug auf Nachhaltige Entwicklung verstehen und einen Beitrag zur Kultur leisten; Politische Ebene und Governance Aspekte Nachhaltiger Entwicklung und Green Technology und das Konzept von Global Citizen Education erfahren; Individual-ethisches Handeln einer menschenzentrierten Technologieentwicklung erproben; Integration des Konzepts der Heteronomie in die künftige Berufsrolle
Lernergebnis:
Die Absolvent*innen verstehen wechselseitige Beeinflussung von Technologie und Gesellschaft; Sie sind in der Lage das Wirken von Gesellschaft und Technologieentwicklung zu reflektieren; Sie können eine menschzentrierte Perspektive ihrer Technologie entwickeln; Sie reflektieren die Aspekte nachhaltiger Entwicklung auf Technologie und Gesellschaft; Sie können ihre berufliche Rolle als technologische Entwickler*in in der Gesellschaft begreifen und ihre Rolle auch in Änderungen des (Berufs-)Umfeldes aktiv nützen und diese im Sinne nachhaltiger Entwicklung mitgestalten; Sie können lebensweltliche Einflussfaktoren (der Arbeits- und Lebenswelt) benennen und als einen bedeutsamen Teil einer menschzentrierten Technologie verstehen. Die Absolvent*innen können theoretisch die technik-soziologische Perspektive zuordnen und wissen, welche ethischen Standards auf EU-Ebene aktuell diskutiert und implementiert werden.
Übergeordnetes Modul:
Ethics & Sustainability 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Applied Statistics
| Semester | 2 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM2ASTIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Englisch |
| SWS | 3 |
| ECTS-Punkte | 4 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Estimation Theory (point and interval estimators, methods of moments, maximum likelihood method), Stochastic Simulation, Statistical Tests (formulation of hypotheses, decision rule, error types, analysis of variance), Regression (logistic regression, model selection, bayesian information criterion)
Lernergebnis:
Die Absolvent*innen erarbeiten sich Basiskompetenzen im Bereich der schließenden Statistik. Hierbei liegt der Schwerpunkt zunächst auf der Erlernung von Methoden der Schätztheorie. Sie sind daher in der Lage aus bestehenden Datensätzen stochastische Modellinformationen zu extrahieren und sowohl verbal als auch graphisch darzustellen. Darauf aufbauend lernen die Absolvent*innen mit Hilfe von stochastischen Simulationen die Modellinformationen zu nutzen und Daten hinsichtlich ihrer Abhängigkeit der zu Grunde liegenden Zufallsvariablen zu beschreiben. In Kenntnis diverser stochastischen Modelle ist es den Absolvent*innen möglich stochastische Tests durchzuführen und somit Experimente zu planen, auszuwerten und entsprechend zu dokumentieren. Sie kennen unterschiedliche Möglichkeiten der Regression um Daten so zu analysieren, dass eine unter der Verwendung von Fachvokabular verständliche Dokumentation der gewonnen Ergebnisse ermöglicht wird. Die vom theoretischen Blickpunkt in den Vorlesungseinheiten erarbeiteten statistischen Standards werden in den Übungseinheiten reflektiert und praktisch mit Hilfe von geeigneter mathematischer Software implementiert.
Übergeordnetes Modul:
Mathematische Methoden
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Machine Learning
| Semester | 2 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM2MLGIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Englisch |
| SWS | 3 |
| ECTS-Punkte | 5 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Recapitulation of Learning Theory, Representation Learning and Self Supervised Learning with Autoencoders, Classification and Regression Trees with Bagging and Boosting, Probabilistic Models and Bayes Classification, Minimum Risk Classification, Introduction to Deep Learning with Convolutional Neural Networks, Selected Topics from Machine Learning
Lernergebnis:
Die Absolvent*innen verstehen die Annahmen und Einschränkungen, die eine bestimmte Modellwahl im Hinblick auf die Theorie des statistischen Lernens und das "No free lunch"-Theorem mit sich bringt. Sie wählen gängige Maschine-Learning-Algorithmen aus, parametrisieren diese und bewerten die Auswirkungen verschiedener Designentscheidungen. Die Absolvent*innen erkennen Über- und Unteranpassung während des Trainingsprozesses und ergreifen entsprechende Gegenmaßnahmen wie Regularisierung. Sie wenden die maschinellen Lernmodelle auf verschiedene Datentypen für Aufgaben wie Klassifizierung, Repräsentationslernen und Objekterkennung an und diskutieren mögliche Auswirkungen in konkreten Anwendungsfällen im Sinne eines nachhaltigen Technologieeinsatzes.
Übergeordnetes Modul:
Data Science & Analytics
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Maschinenethik
| Semester | 2 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM2METIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 1,5 |
| ECTS-Punkte | 2 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Theoretische Grundlagen: Künstliche Intelligenz, Denken, Bewusstsein und Emotionen, Ethik und Moral; Maschinenethik: Maschinen als moralische Akteure, Moralimplementation, Mensch und Maschine; Anwendungsbereich und -beispiele
Lernergebnis:
Die Absolvent*innen sollen ein grundlegendes Verständnis der Konzepte der künstlichen Intelligenz, des Denkens, des Bewusstseins und der Emotionen erlangen und die damit verbundenen ethischen und moralischen Aspekte analysieren. Zudem sollen sie das Konzept der Maschinen als moralische Akteure verstehen und verschiedene Ansätze zur Implementation von Moral in Maschinen kennenlernen. Durch die Analyse ethischer Fragen im Kontext der Interaktion zwischen Menschen und Maschine sollen die Absolvent*innen in der Lage sein, moralische Herausforderungen im Zusammenhang mit den aktuellen Entwicklungen in der autonomen, intelligenten Maschinentechnologie zu identifizieren und Fallbeispiele wie autonome Waffensysteme, Pflegeroboter und autonomes Fahren zu untersuchen, um daraus ethische Perspektiven abzuleiten. Zudem sollen sie komplexe ethische Fragen im Bereich der Maschinenethik analysieren, verschiedene Standpunkte bewerten, fundierte Urteile treffen, ethische Argumente konstruieren und ihre Meinungen sowohl mündlich als auch schriftlich überzeugend kommunizieren können. Darüber hinaus sollen die Absolvent*innen ein Bewusstsein für ethische Überlegungen im Zusammenhang mit dem Einsatz von Maschinen entwickeln und ihre eigenen ethischen Werte reflektieren und hinterfragen können.
Übergeordnetes Modul:
Ethics & Sustainability 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Moderne Software-Architekturen
| Semester | 2 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM2MSAIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Grundlagen und Charakterisierung von Softwarearchitekturen; Architekturbezogene Qualitätsattribute; Modell- und Serviceorientierte Architekturen; Software-Architekturentwicklung und System-Integration; Strategien und Techniken der Integration heterogener Systeme; Referenzarchitekturen und ¿Enterprise Integration Patterns`; Softwarearchitekturbewertung und Architekturmetriken; Architekturdokumentation; Aktuelle Themen zu Software-Architekturen.
Lernergebnis:
Die Absolvent*innen bewerten zeitgemäße Softwarearchitekturen und können Architekturentscheidungen für Entwicklungs- und Integrationsprojekte solide argumentieren. Sie wenden dabei Software-Entwurfsmuster sowie Architekturmuster (insb. Enterprise Integration Patterns) an und können informatische Abstraktionsmethoden für beteiligte Stakeholder nachvollziehbar und nutzbar machen. Sie erkennen innovationsrelevante Fragestellungen und entwickeln selbständig geeignete Lösungskonzepte, um ein hohes Maß an technisch-methodischer Heterogenität systematisch zu managen.
Übergeordnetes Modul:
Informatik
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Projekt 1
| Semester | 2 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM2PRJPT |
| Typ | PT |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 2 |
| ECTS-Punkte | 4 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Forschungs- und entwicklungsorientierte Projektarbeit mit fachlich-methodischer Aufarbeitung der Themenstellungen aus den Lehrveranstaltungen. Themenfindung gemeinsam mit internen und externen Stakeholdern mit engem Bezug zu den Sustainable Development Goals in einer vorausgehenden Ideenfindungsphase mittels Design Jam. Fokus auf dem Verständnis des Geschäftsmodells sowie der Domäne und Daten sowie Methodenauswahl, Modellierung und der Bereitstellung bzw. Überführung in den Echtbetrieb entsprechend dem CRISP-DM Modell. Begleitendes Projektmanagement, Reflexion und Coaching zur Teamarbeit sowie Aufbereitung und zielgruppenorientierte Kommunikation der Projektergebnisse.
Lernergebnis:
Die Absolvent*innen verfügen über Umsetzungskompetenzen zu den Lehrinhalten aus den Bereichen Machine Learning und Analytics, Cloud-Technologien sowie Software-Engineering und Architekturen. Durch die Entwicklung eigener Aufgabenstellungen und nachhaltiger Problemlösungen vertiefen sie ihre Fach- und Methodenkompetenzen in ausgewählten Anwendungsfeldern wie Language Technologies, Industrial Reinforcement Learning oder Image Processing. Im 2. Semester fokussieren die Teams auf die Bereiche Geschäfts- und Datenverständnis sowie der systematischen Auswahl geeigneter Methoden zur Lösung der Problemstellung. Diese Auswahl wird auch in Bezug auf Rahmenbedingungen gesellschaftlicher Natur und den Zielen nachhaltiger Technologieentwicklung besprochen. Diese Phase ist geprägt durch Experimentierfreude, Problemlösungsfähigkeit, Lernbereitschaft und ganzheitlichem Denken seitens der Absolvent*innen. In der Präsenzzeit stehen den Absolvent*innen Coaches aus den genannten technischen Bereichen und Themengebieten zur Verfügung. Sie werden außerdem während der gesamten Projektzeit von einem Fachbetreuer sowie im Agilen Projektmanagement begleitet. Durch deren Unterstützung gelingt es den Absolvent*innen, ihre Lösungen zu verfeinern, strukturiert zu arbeiten sowie zielgruppengerecht zu präsentieren. Sie sind in der Lage, sich einer Diskussion zu stellen und ihre Entscheidungen zu begründen.
Übergeordnetes Modul:
Individualphase 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Software Engineering & Operations
| Semester | 2 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM2SEOIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 3 |
| ECTS-Punkte | 4 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Software-und Systems-Engineering; Prozessmodelle; Requirements Engineering; Software- und System-Architekturen; Funktions-Entwicklung; Design-for-X; Softwarequalität und Qualitätssicherung, Clean Code; Software-Engineering-Techniken für die Softwareentwicklung ¿im Großen¿; Aktuelle Themen des Software-Engineerings.
Lernergebnis:
Die Absolvent*innen verstehen die verschiedenen Aufgabenfelder und Tätigkeiten im Rahmen des Software-und System-Entwicklungsprozesses (Requirements-Engineering und Softwarequalität; Softwarearchitektur; Detailed Design und Design-for-X; Verifikation und Validierung) und meistern systematisch die Herausforderungen der Organisation von unterschiedlichen wirtschaftsrelevanten Entwicklungsprojekten im Bereich Cyber-Physischer Systeme. Die Absolvent*innen beurteilen Vorgehensmodelle und entwickeln diese eigenständig weiter und treiben Konzeption, Implementierung und Monitoring von professionellen Software- und System-Projekten selbständig voran.
Übergeordnetes Modul:
Informatik
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Time Series Prediction & Business Forecasting
| Semester | 2 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM2TSPIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Type of Variables and Data, Data Pre-processing, Decomposition of Time Series, Statistical Models for Time Series (SARIMAX), Setup for Training, Validation and Testing, Machine Learning approaches for Time Series Prediction and Classification, Outlier Detection, Clustering of Time Series, Assessment of precision of forecasts by means of confidence intervals, Applications to Demand Prediction.
Lernergebnis:
Die Absolvent*innen identifizieren exogene und endogene Variablen und bereiten Zeitreihendaten für die weitere Verarbeitung vor. Sie zerlegen Zeitreihen, um Trends und saisonale Komponenten zu analysieren. Sie passen statistische Modelle an geeignet normalisierte Daten an und nutzen das Modell zur Vorhersage zukünftiger Werte oder zur Klassifizierung des aktuellen Zustands. Sie diskutieren die Angemessenheit von Machine-Learning-Ansätzen im Vergleich zur statistischen Modellierung im Hinblick auf die Dateneffizienz. Sie implementieren den Entwurfszyklus für maschinelles Lernen und bewerten die Vorhersagegenauigkeit mithilfe einer angepassten Kreuzvalidierung. Sie identifizieren Ausreißer in Zeitreihen, und nutzen dieses Wissen, um robustere Modelle zu entwickeln. Sie clustern Zeitreihen zur Bündelung und Visualisierung typischer Formen und Verläufe. Sie setzen die erlernten Verfahren ein, um Aspekte von Beispielszenarien wie einem Nachfragevorhersagesystem oder einer automatisierten Lagerhaltung zu implementieren. Sie identifizieren Nachhaltigkeitsrisiken, die sich aus dem Einsatz der Technologie und den verwendeten Daten ergeben, und diskutieren entsprechende Gegenmaßnahmen.
Übergeordnetes Modul:
Data Science & Analytics
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Vertrieb, Marketing & Digitale Innovation
| Semester | 2 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM2VMDIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Inhalt aus Vertrieb und Marketing ist das Verständnis für Marktforschungsmethoden und ihre Einsatzbereiche, Marketing Mix, Produktpolitik, Markenpolitik, Preispolitik, Vertriebspolitik, Vertriebsmanagement, Key Account Management, Analyse von Best-Practice Beispielen. Das wesentliche Ziel aus Digitale Innovation ist es zu verstehen, wie die Digitalisierung im Innovationsmanagement die Entwicklung von neuen Geschäftsmodellen sowie der Prozess der Innovationsentwicklung und des Managements beeinflusst. Ansätze wie Design Thinking oder Design Innovation werden hierbei behandelt. Ziel der integrativ durchzuführenden Lehrveranstaltung ist es, die beiden Themenbereiche inhärent zu vernetzen. Im Zusammenspiel von Vertrieb, Marketing und digitaler Innovation wird der Fokus auf die Integration von digitalen Technologien in Vertriebs- und Marketingstrategien gelegt. Umgekehrt ist es immanent, dass im Rahmen eines kreativen Innovationsprozesses unterstützende Marketingaktivitäten generiert werden. Im Rahmen der Lehrveranstaltung wird diese Verschränkung anhand praktischer Übungen und kompakten Projekten gewährleistet.
Lernergebnis:
Die Absolvent*innen kennen die wesentlichen Grundbegriffe des ¿Sales und Marketing¿ und ihre praktische Bedeutung. Die Absolvent*innen bearbeiten eine komplexe Aufgabenstellung aus verschiedenen Bereichen der Wirtschaft (Case Studies), lösen eigenständig eine Problemstellung und dokumentieren diese ingenieurmäßig. Die Absolvent*innen verfügen über einen Überblick der Themenbereiche Digitale Innovation & Digitale Transformation. Die Absolvent*innen haben Kenntnisse über die Funktionsweise der digitalen Wirtschaft (Industrie 4.0, Sharing Economy, Plattformökonomie) und verfügen über ein Grundverständnis zur Bedeutung der digitalen Transformation für Geschäftsprozesse und -modelle
Übergeordnetes Modul:
IT-Management 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Zielgruppenorientierte Kommunikation
| Semester | 2 |
|---|---|
| Studienjahr | 1 |
| Lehrveranstaltungsnummer | AITM2ZOKIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 1,5 |
| ECTS-Punkte | 2 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Identifizieren von Ansprechpersonen und Auswahl von Methoden, um die Zielgruppe zu erreichen. Formen und Rahmenbedingungen wirksamen Feedbacks, Übungen und Rollenspiele. Individuelle Aufarbeitung der in der Lehrveranstaltung präsentierten und erarbeiteten Inputs, unterstützt durch punktuelles Coaching
Lernergebnis:
Die Absolvent*innen sind in der Lage, komplexe Inhalte zielgruppenorientiert darzustellen und dabei klar strukturierte Argumentationslinien zu entwickeln. Sie können lösungs- und nutzenorientiert argumentieren sowie Kritik sachlich und konstruktiv formulieren. Sie sind in der Lage, Kritik anzunehmen und dies entsprechend rückzumelden.
Übergeordnetes Modul:
Sozialkompetenz & Kommunikation 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Applied AI Lab
| Semester | 3 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM3AALLB |
| Typ | LB |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 1 |
| ECTS-Punkte | 2 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Advanced Methods in either the area of Language Technologies, Image Processing or Reinforcement Learning are reviewed, and selected applications are chosen and implemented by employing corresponding tools. Introduction into Machine Learning Operations (MLOps) and application of concepts regarding version control and collaboration, experiment tracking, model deployment, monitoring and logging onto AI solutions
Lernergebnis:
Die Absolvent*innen wählen einen der Bereiche: Sprachtechnologien, Bildverarbeitung oder Reinforcement Learning. Sie diskutieren Anwendungsszenarien und wählen ein Setup zur näheren Untersuchung aus. Sie eignen sich fortgeschrittene Methoden- und Umsetzungskompetenzen zum gewählten Szenario an und lernen die entsprechenden Werkzeuge kennen. Mit Hilfe dieser implementieren sie eine KI-basierte Lösung. Sie diskutieren und verteidigen ihren Ansatz im Hinblick auf die Ziele der Nachhaltigkeit und möglicher gesellschaftlicher Auswirkungen. Darüber hinaus bauen die Absolvent*innen eine MLOps-Pipeline auf, um den kompletten Lebenszyklus einer KIAnwendung zu durchlaufen.
Übergeordnetes Modul:
Applied AI
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Deep Learning for Image Analysis
| Semester | 3 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM3DLGIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Deep Learning Architekturen für die Analyse von Bilddaten, Objekt-Detektion, semantische Segmentierung und Instanzsegmentierung, Image Translation, Architekturen zur Analyse von 3D Bilddaten, Self-Supervised und Representation Learning Architekturen, Data Augmentation; Parametrisierung, Modellauswahl bzw. -design. Tools: Python, Pytorch/Tensor-Flow, Anaconda, Git, Unix/Bash, GPUs. Weitere Aspekte: Optimale Nutzung von Hardware- (GPUs, GPU-Cluster) und Softwareressourcen
Lernergebnis:
Die Absolvent*innen kennen sowohl grundlegende als auch aktuelle Ansätze und Methoden aus den Bereichen Deep Learning und Repräsentationslernen für die Bildanalyse und sind in der Lage, diese mit geeigneten Toolboxen auf Datensätze anzuwenden. In praktischen Aufgaben untersuchen sie den Modellaufbau und die Wahl der Modellparameter und entscheiden über den Einsatz von vortrainierten Modellen im Sinne des Transferlernens. Sie kennen Methoden des teilüberwachten Lernens und der Datenanreicherung, um die Effektivität bei kleinen Datensätzen mit Domänenwissen zu optimieren (Small Data Challenge). Sie parametrisieren die jeweiligen Lernalgorithmen und wenden sie auf Datensätze unter optimaler Nutzung der Hard- und SoftwareRessourcen an. Sie sind in der Lage, mit diesen Methoden innovative Anwendungen zu entwickeln und kennen die Grenzen und Einsatzgebiete der jeweiligen Algorithmen. Für Absolvent*innen des Masters Industrial Informatics & Robotics wird zu Beginn ein Überblick über neuronale Netze gegeben. Absolvent*innen aus dem Master AI for Sustainable Technologies erhalten eine Vertiefung zu speziellen Inhalten.
Übergeordnetes Modul:
Applied AI
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Ethik & Nachhaltigkeit
| Semester | 3 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM3ETNIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 1 |
| ECTS-Punkte | 2 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Noch nie war der Bedarf an (berufs-)ethischer Orientierung so groß wie im letzten Jahrzehnt. Dabei begegnet uns Ethik gegenwärtig in unterschiedlichster Gestalt und in den verschiedensten Bindestrich-Varianten: Bioethik, Medizinethik, Tierethik, Ethik und Politik, Ethik und Wirtschaft, Ethikunterricht statt Religionsunterricht an den Schulen, von der Adressaten- bis zur Umweltethik, von der Alltags- bis zur Systemethik. Unser Dasein scheint sich in ethisch und moralisch aufgeladenen Zeiten zu bewegen, vor allem auch deshalb, weil die Begriffe der Ethik und Nachhaltigkeit selbst immer verschwommener und inflationärer gebraucht werden. Das Symposium versucht daher, einen Beitrag zur Lichtung im Begriffsdschungel zu leisten und für (berufs-)ethische Fragen und Fragen zur Nachhaltigkeit zu sensibilisieren.
Lernergebnis:
Nach Absolvierung des Symposions sind Absolvent*innen in der Lage, ethisch-moralische Dilemmata zu analysieren und zu reflektieren; Meinungen aus einem Vortrag im eigenen Handlungskontext zu bewerten; gesellschaftliche Fragen mit Blick auf ihr eigenes fachliches / berufliches Umfeld zu argumentieren; ihre eigene Meinung in der Gruppendiskussion zu artikulieren und zu rechtfertigen; Nach dem allgemeinen, hochschulweiten Teil erfolgt eine Aufarbeitung der Ergebnisse in Bezug auf die Themen des Studiengangs in einer Selbstlernphase mit anschließendem Feedback.
Übergeordnetes Modul:
Ethics & Sustainability 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Intercultural Communication Skills
| Semester | 3 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM3ICSIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Englisch |
| SWS | 1,5 |
| ECTS-Punkte | 2 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Grundlagen der Wahrnehmungspsychologie, die für interkulturelle Kommunikation von Bedeutung sind, Definition der interkulturellen Interaktions- und Kommunikationskompetenz, Interaktionsfallen, praktische Anwendung durch Interaktionsspiele und -übungen
Lernergebnis:
Die Absolvent*innen können die komplexen Faktoren identifizieren, die die Kommunikation in interkulturellen Kontexten beeinflussen. Sie sind befähigt, ihre eigene kulturbedingte Rolle im Kommunikationszusammenhang einzuordnen.
Übergeordnetes Modul:
Sozialkompetenz & Kommunikation 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Language Technologies & Applications
| Semester | 3 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM3LTAIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Englisch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Anwendungen im Bereich der Sprachtechnologien, die mittels Methoden des Natural Language Processings umgesetzt werden können, z.B. Textgenerierung, maschinelle Übersetzungen, Textklassifikation, Social Media Analyse, Information Retrieval, Conversational AI. Methoden: Sprachmodelle (rekurrent und Transformer-basiert), Kontextualisierte Repräsentationen, Attention-basierte Modelle, Tokenisierung. Tools: Python, scikit-learn, nltk, tensorflow/keras, huggingface.
Lernergebnis:
Die Absolvent*innen sind nach dieser Lehrveranstaltung in der Lage, sich aufbauend auf dem erworbenen Wissen neueste Erkenntnisse im Bereich Natural Language Processing selbständig anzueignen. Sie analysieren Sachverhalte und entwickeln ausgereifte Lösungen für eigene Problemstellungen. Sie sind in der Lage, Modellparameter und -design abhängig von der Problemstellung zu bestimmen und kennen die Grenzen und Anwendungsbereiche der jeweiligen Algorithmen. Die flexible Zeiteinteilung für einen Teil der Leistungsbeurteilung gibt den Absolvent*innen Raum für eigenverantwortliches Handeln und Selbstmanagement. Gruppenarbeiten im Laborsetting fördern darüber hinaus die Problemlösungs- und Kooperationsfähigkeit der Absolvent*innen.
Übergeordnetes Modul:
Applied AI
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Masterseminar & Masterexposé
| Semester | 3 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM3MMESE |
| Typ | SE |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 2 |
| ECTS-Punkte | 5 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Qualitätsaspekte und Standards wissenschaftlichen Arbeitens sowie Merkmale eines wissenschaftlichen Arbeitsstils; Bedeutung theoretischer Bezugsrahmen; Arbeitsphasen und Aufwandsschätzung für die Masterarbeit; Typen und Charakteristika wissenschaftlicher Publikationen; Methoden und Tools für Literaturrecherche und Quellenverwaltung; Zitate und Referenzen; Methoden und Tools zum Verfassen wissenschaftlicher Texte, Illustrationen, Dokumente und Präsentationen. Verwendung und Erstellung von Formeln, Tabellen und Grafiken; Umgang mit KI-Tools und Thematik Plagiarismus; Spezielle Anwendung auf den systematischen Aufbau eines Exposés und dessen diskursiver Verteidigung
Lernergebnis:
Die Absolvent*innen betreiben selbständig zielorientierte Struktur- und Inhaltsentwicklung für wissenschaftliche Arbeiten und entwerfen aufeinander abgestimmte Methoden- und Praxis-/Empirikteile. Sie finden relevante Publikationen zum Themenbereich der Masterarbeit und bauen wissenschaftliche Argumentationslinien auf. In Kenntnis des Publikations-Life-Cycle und des Peer-Review-Prozesses verwenden und bewerten sie dazu formale, strukturelle und inhaltliche Qualitätsaspekte von Quellen. Sie verstehen die Bedeutung von wissenschaftlich-methodischem Vorgehen und argumentieren ihre Ideen entsprechend. Sie entwerfen nach-vollziehbare Experimente und diskutieren geeignete Metriken zur Beantwortung von Forschungsfragen. Die Absolvent*innen verschriftlichen alle geforderten inhaltlichen Exposé-Bestandteile und führen eigenständig eine Abstimmung mit der Betreuungsperson und letztlich eine Zustimmung durch diese herbei. Ein verbindlicher Zeitplan mit Arbeitsschritten und Meilensteinen liegt vor, wobei der Komplexitätsgrad der Themen- und Fragestellungen der Masterarbeit den zeitlichen und materiellen Ressourcen angemessen ist.
Übergeordnetes Modul:
Wissenschaftliches Arbeiten
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Projekt 2
| Semester | 3 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM3PRJPT |
| Typ | PT |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 2 |
| ECTS-Punkte | 4 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Forschungs- und entwicklungsorientierte Projektarbeit mit fachlich-methodischer Aufarbeitung der Themenstellungen aus den Lehrveranstaltungen. Themenfindung gemeinsam mit internen und externen Stakeholdern mit engem Bezug zu den Sustainable Development Goals in einer vorausgehenden Ideenfindungsphase mittels Design Jam. Fokus auf dem Verständnis des Geschäftsmodells sowie der Domäne und Daten sowie Methodenauswahl, Modellierung und der Bereitstellung bzw. Überführung in den Echtbetrieb entsprechend dem CRISP-DM Modell. Begleitendes Projektmanagement, Reflexion und Coaching zur Teamarbeit sowie Aufbereitung und zielgruppenorientierte Kommunikation der Projektergebnisse.
Lernergebnis:
Die Absolvent*innen verfügen über Umsetzungskompetenzen zu den Lehrinhalten aus den Bereichen Machine Learning und Analytics, Cloud-Technologien sowie Software-Engineering und Architekturen. Durch die Entwicklung eigener Aufgabenstellungen und nachhaltiger Problemlösungen vertiefen sie ihre Fach- und Methodenkompetenzen in ausgewählten Anwendungsfeldern wie Language Technologies, Industrial Reinforcement Learning oder Image Processing. Im 3. Semester fokussieren die Teams auf die Verfeinerung ihrer Lösung der Problemstellung, indem sie die Software-Architektur sowie die Modellierung anhand zuvor gewonnener Erkenntnisse optimieren. Die Bereitstellung des Ergebnisses als nutzbarer Prototyp unter Verwendung aktueller ML-Ops Ansätze bildet den Abschluss des Projekts und ist Grundlage für eine Reflexion im Lichte der Nachhaltigkeit und Zukunftsfähigkeit der Lösungen. Diese Phase ist geprägt durch Gestaltungswillen, Entscheidungsfähigkeit und ergebnisorientiertem Handeln seitens der Absolvent*innen. In der Präsenzzeit stehen den Absolvent*innen Coaches aus den genannten technischen Bereichen und Themengebieten zur Verfügung. Sie werden außerdem während der gesamten Projektzeit von einem Fachbetreuer sowie im Agilen Projektmanagement begleitet. Durch deren Unterstützung gelingt es den Absolvent*innen, ihre Lösungen zu verfeinern, strukturiert zu arbeiten sowie zielgruppengerecht zu präsentieren. Sie sind in der Lage, sich einer Diskussion zu stellen und ihre Entscheidungen zu begründen.
Übergeordnetes Modul:
Individualphase 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Reinforcement Learning for Intelligent Agents
| Semester | 3 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM3RLGIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Englisch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Definition von Reinforcement Learning, Mathematische Grundlage durch Markov Decision Processes, Komponenten des RL (Agent, Policy, Model), Model- und Nicht-model basiertes RL, Optimierung von Policy und Value-Function, Value-Function Approximation, Reinforcement Learning Algorithms, Proximal Policy Optimization. Tools: Python, scikit-learn, tensorflow/keras
Lernergebnis:
Die Absolvent*innen sind nach dieser Lehrveranstaltung in der Lage, sich aufbauend auf das erworbene Wissen neueste Erkenntnisse im Bereich Reinforcement Learning selbständig anzueignen. Sie analysieren Sachverhalte und entwickeln ausgereifte Lösungen für eigene Problemstellungen. Sie sind in der Lage, Problemstellungen des Reinforcement Learning zu identifizieren und diese von Supervised Learning abzugrenzen. Abhängig von der Problemstellung kennen die Absolvent*innen anwendbare Methoden. Die flexible Zeiteinteilung für einen Teil der Leistungsbeurteilung gibt den Absolvent*innen Raum für eigenverantwortliches Handeln und Selbstmanagement. Gruppenarbeiten im Laborsetting fördern darüber hinaus die Problemlösungs- und Kooperationsfähigkeit der Absolvent*innen
Übergeordnetes Modul:
Applied AI
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Unternehmensführung & -gründung
| Semester | 3 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM3UFGIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Ziel dieser Lehrveranstaltung ist es zu verstehen, wie klassische Unternehmensführung und Digital Leadership sowie deren Auswirkungen auf Unternehmen und Führungskräfte funktioniert; besonderer Schwerpunkt sind moderne Managementansätze wie die digitale Führungsarbeit in der Praxis, agile Führung; Führen von virtuellen Teams; Digitalisierung & Agilität; Umgang mit virtueller Kommunikation, eLearning Tools im Unternehmen. Der Fokus hinsichtlich Unternehmensgründung (company formations, business formations) befasst sich mit Gründungsmanagement, Entwickeln einer Geschäftsidee, Business Case & Produktinnovation (mittels Business Canvas & Value Proposition Canvas); Arten der Finanzierung; Erarbeiten eines Businessplanes, Durchführung von innovativen Planspielen (¿Apollo 13¿ oder ¿Target SIM¿). Theoretische Inhalte werden mit technologiefokussierten Fallbeispielen aus der Wirtschaft vertieft.
Lernergebnis:
Die Absolvent*innen verfügen über einen Überblick der Themenbereiche Unternehmensführung und Unternehmensgründung. Sie kennen den Aufbau und die Zusammenhänge und Prozesse innerhalb eines Unternehmens. Sie kennen den Managementkreislauf und sind in der Lage, die wesentlichsten Instrumente der Unternehmensführung einzusetzen. Sie können einen Businessplan erstellen, außerdem die unterschiedlichen Modelle des zunehmend digitalen Leaderships und diesbezügliche Vorgehen, Stärken und Schwächen und Unterschiede differenziert einsetzen und die Auswirkungen auf die Unternehmenskultur einschätzen.
Übergeordnetes Modul:
IT-Management 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
WF: Big Data Engineering
| Semester | 3 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM3BDEIL |
| Typ | IL |
| Art | Wahlpflicht |
| Unterrichtssprache | Deutsch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Paradigmen und Charakteristika des Big Data und Cloud-Computings; Überblick über gängige Big Data Frameworks und wirtschaftsrelevante Cloud-Infrastrukturen; Programmiertechniken für datenintensive Anwendungen und Nutzung hybrider cloudbasierter Infrastrukturen für die datenintensive Softwareentwicklung; Implementierung von Case Studies; Ausgewählte Kapitel aus Big Data Computing.
Lernergebnis:
Die Absolvent*innen meistern die technischen und organisatorischen Herausforderungen des Big Data Processing und wenden Methoden und Techniken der datenintensiven Softwareentwicklung an. Sie setzen gängige Big Data Frameworks ein und nutzen die transdisziplinären Aspekte des Cloud-Computings und kommunizieren dessen technologische Fundierungen. Darüber hinaus implementieren sie ausgewählte Fallbeispiele datenintensiver Business-Anwendungen
Übergeordnetes Modul:
Applied AI_WAHLFACH Informatik
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
WF: Industrielle Bildverarbeitung
| Semester | 3 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM3IBVIL |
| Typ | IL |
| Art | Wahlpflicht |
| Unterrichtssprache | Deutsch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Grundelemente der Bildverarbeitungskette, Hardwarekomponenten (Optik, Kameras, Beleuchtung), Grundlagen der Bildverarbeitung (Statistik & Metriken, Filterung, Bildverbesserung, Bildsegmentierung), Feature Extraction, Morphologische Operationen, Industrial Inspection & Quality Control, Software für Industrial Image Processing, Image Learning
Lernergebnis:
Die teilnehmenden Absolvent*innen kennen die wesentlichen Hardware-Komponenten eines industriellen Bildverarbeitungssystems und wissen um deren Eigenschaften und Einsatzmöglichkeiten. Sie beherrschen die Theorie zu den wichtigsten Methoden und Algorithmen und sind in der Lage diese unter Verwendung gängiger Open-Source/kommerzieller Software-Bibliotheken zu implementieren. Die Absolvent*innen können durch Analyse von Bildverarbeitungsaufgaben diese bewerten, um in weiterer Folge in eigenständiger Projektarbeit Lösungen für industrielle Bildverarbeitung unter Verwendung zur Verfügung gestellter Hardwarekomponenten zu entwickeln. Sie wissen, wie Konzepte des maschinellen Lernens auf Problemstellungen der Bildverarbeitung anwendbar sind.
Übergeordnetes Modul:
Applied AI_WAHLFACH Informatik
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Advanced Presentation Skills
| Semester | 4 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM4APSIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Englisch |
| SWS | 1 |
| ECTS-Punkte | 2 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Zusammenfassen einschlägiger Fachtexte und wissenschaftlicher Artikel und deren Aufbereitung für verbale Darstellung, zielgruppenorientierte und emotionell ansprechende Präsentationstechniken, Einsatz rhetorischer Mittel, Storyboarding und Storytelling.
Lernergebnis:
Die Absolvent*innen können ein Thema auf Englisch klar und verständlich präsentieren und dabei rhetorische Mittel sowie Elemente des Storytellings der Zielgruppe entsprechend einsetzen. Sie sind in der Lage, die Technik des Storyboardings in der Vorbereitung einer Präsentation anzuwenden.
Übergeordnetes Modul:
Sozialkompetenz & Kommunikation 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Dashboarding & Business Intelligence
| Semester | 4 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM4DBIIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Englisch |
| SWS | 1 |
| ECTS-Punkte | 2 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Grundlagen Dashboarding und Business Intelligence (BI), Datengestützte Entscheidungsprozesse; Design- und Entwicklungsprozess von Dashboards; Designprinzipien; Best Practices und Beispiele für BI Tool; Auswahl von Kennzahlen; Benutzerfreundlichkeit von Dashboards; Dashboard-Kategorien; Visuelle Element
Lernergebnis:
Die Absolvent*innen verwenden Dashboards und interaktive Visualisierungen, um Entscheidungsprozesse zu unterstützen. Dabei entwickeln sie Dashboards anhand von Gestaltungsprinzipien und Best Practices aus der Theorie der Business Intelligence. Sie wählen Metriken, KPIs und Datenquellen aus und bilden diese in einem Dashboard ab. Dabei wählen sie geeignete Visualisierungskomponenten für den gegebenen Anwendungskontext aus.
Übergeordnetes Modul:
Applied AI
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Explainable AI
| Semester | 4 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM4EAIIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Englisch |
| SWS | 2 |
| ECTS-Punkte | 3 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Introduction to Explainable AI, Local & Global Interpretability, Model-Agnostic Methods (Partial Dependency, Feature Importance, LIME, SHAP,¿), Trustworthy AI (Bias and Fairness in AI, Adversarial Attacks & Defences, Privacy)
Lernergebnis:
Die Absolvent*innen verstehen die Bedeutung von erklärbarer KI und die Folgen des Einsatzes nichterklärbarer KI-Systeme (Black Box Modelle). Sie kennen verschiedene Techniken zur Erreichung von Interpretierbarkeit in KI-Modellen, wie z.B. die Analyse der Bedeutung von Merkmalen, partielle Abhängigkeitsdiagramme, LIME, SHAP und andere modellagnostische Methoden. Sie machen damit den Beitrag einzelner Merkmale sowie Modellentscheidungen nachvollziehbar. Sie haben ein profundes Verständnis für die Herausforderungen von Bias und Fairness in der KI und für Techniken zur Erkennung und Abschwächung von Bias in Modellen, wie zum Beispiel Fairness-Metriken, Data-Augmentation und adversariales Training. Sie erwerben auch Kenntnisse über die Schlüsselkonzepte der vertrauenswürdigen KI, wie z.B. Privacy, Data Governance, Transparenz und Verantwortlichkeit. Die Absolvent*innen sammeln praktische Erfahrungen durch die Implementierung von erklärbaren KI-Techniken im Rahmen von Übungs- und Projektarbeiten, bei denen sie verschiedene Techniken auf Datensätzen anwenden und beurteilen.
Übergeordnetes Modul:
Applied AI
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Masterarbeit
| Semester | 4 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM4MAAIT |
| Typ | IT |
| Art | Diplom/Masterarbeit |
| Unterrichtssprache | Deutsch |
| SWS | 0 |
| ECTS-Punkte | 19 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Entwickeln und selbständiges Bearbeiten einer Fragestellung aus den Themenbereichen des Masterstudiums auf wissenschaftlichem Niveau unter besonderer Berücksichtigung des Innovationspotentials der angestrebten Lösungen sowie unter Einhaltung einer wissenschaftlich orientierten und am jeweils aktuellen Stand der Literatur argumentierten Vorgangsweise
Lernergebnis:
Die Absolvent*innen verfassen eigenständig ihre schriftliche Masterarbeit und gehen dabei wissenschaftlich-systematisch vor. Sie betreiben Problemanalyse und -darstellung und erkennen entsprechende Forschungsfragen und -ziele, formulieren Hypothesen und setzen die erforderlichen Arbeitsschritte eigenständig um. Sie entwickeln die inhaltlich auf die Wissenslinien von Lehre und Forschung am Studiengang hin orientierte Masterarbeit, wobei die Absolvent*innen ihre Vorgehensweise dabei wissenschaftlich argumentieren und rechtfertigen sowie ihre Ergebnisse kritisch hinterfragen.
Übergeordnetes Modul:
Wissenschaftliches Arbeiten
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Masterprüfung
| Semester | 4 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM4MPRDP |
| Typ | DP |
| Art | Pflicht |
| Unterrichtssprache | Deutsch |
| SWS | 0 |
| ECTS-Punkte | 2 |
| Prüfungscharakter | abschließend |
Lehrveranstaltungsinhalte:
Präsentation und Defensio der Masterarbeit (Englisch); Fachprüfungsgespräche
Lernergebnis:
Die Absolvent*innen präsentieren kohärent und konzise die Motive, die eingesetzten Methoden und erzielten Ergebnisse ihrer Masterarbeiten und geben einen gut informierten Zukunftsausblick. Sie beantworten zielpublikumsgerecht die gestellten Fragen zu ihrer Masterarbeit, erklären komplexe Zusammenhänge und visualisieren diese adäquat. Darüber hinaus stellen sie gut nachvollziehbare Querverbindungen zu wesentlichen Bezugsfächern des Studiums her und kommunizieren die Innovationsaspekte ihrer Masterarbeiten in allgemeinverständlicher Form.
Übergeordnetes Modul:
Wissenschaftliches Arbeiten
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Reading Group
| Semester | 4 |
|---|---|
| Studienjahr | 2 |
| Lehrveranstaltungsnummer | AITM4RGPIL |
| Typ | IL |
| Art | Pflicht |
| Unterrichtssprache | Englisch |
| SWS | 2 |
| ECTS-Punkte | 2 |
| Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Aktuelle Themen und Vorträge aus den Forschungsschwerpunkten des Department Information Technologies and Digitalisation, Fachvorträge aus dem Unternehmensumfeld der drei Masterstudiengänge Cyber Security, Industrial Informatics & Robotics und AI for Sustainable Technology, studiengangsübergreifende Diskussion unternehmensseitiger fachlicher und technischer Herausforderungen sowie aktueller Forschungsergebnisse
Lernergebnis:
Die Absolvent*innen können Fachvorträgen aus dem Unternehmensumfeld ihres eigenen Studiengangs sowie jenen anderer informationstechnisch fokussierter Studiengänge folgen und inhaltlich über diese Vorträge und deren Schlussfolgerungen diskutieren. Die Absolvent*innen sind darüber hinaus in der Lage, aktuelle Forschungsergebnisse aus thematisch verwandten Forschungsschwerpunkten zu erfassen, mit Absolvent*innen aus den oben genannten Studiengängen zu erörtern sowie kritisch zu reflektieren.
Übergeordnetes Modul:
Wissenschaftliches Arbeiten
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung