Informationstechnik & System-Management
Agiles Projektmanagement
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1APMIL |
Typ | IL |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Agiles Management und Steuerung von Projekten und Prozessen; Vorgehensmodelle bei der Software-Entwicklung wie z.B. Scrum, KANBAN oder "Extreme Programming"; "minimal viable product"; agile Grundprinzipien - value driven delivery, self organizing teams, simple & focused communication; Digitalisierung & Agilität Interdependenzen; die Entwicklungsstufen zu einer agilen Organisation; Agile Softwareentwicklung als Treiber im Softwareentwicklungsprozess, die die Transparenz und Veränderungsge-schwindigkeit erhöhen und zu einem schnelleren Einsatz des entwickelten Systems führen sollen, um so Risiken und Fehlentwicklungen im Entwicklungsprozess zu minimieren; Klassisch, Hybrid oder Agil Vorgehensmodelle zur Entscheidungsfindung; Agile Frameworks zum Aufbau agiler Organisationen - z.B. ein Vergleich von SAFe, LESS, Nexus, scrum @ scale; Projektmanagement- und Software-Engineering-Kenntnisse sollen in der praktischen Umsetzung angewendet werden; minimal viable product - ein Modell zur marktadäquaten "just in time" Entwicklung von digitalen Produkten; Projektorganisation (prozessorientierte und agile Vorgehensmodelle, Rollen, Arbeitspakete, Meilensteine, Reporting, Ergebnisse). Die Projektdurchführung erfolgt u.a. mit Templates aus dem Software Engineering zur Entwicklung, Dokumentation und Kommunikation von Software-Architekturen unter Verwendung von Tools wie ARC42; agile Umsetzung erläutert am Bespiel von Scrum; methodische Alternativen zu Scrum; Stand der Agilität in Österreich & Europa. Eine Zertifizierung zum Scrum Master wird ermöglicht
Lernergebnis:
Die Absolvent*innen lernen, die erforderlichen theoretischen und praktischen agilen Projektmanagement- und Software-Engineering-Fähigkeiten - basierend auf der praktischen Umsetzung eines kontinuierlichen Software-Engineering - R&D-Projekts - anzuwenden, welches im 2. und 3. Semester zu absolvieren ist.
Übergeordnetes Modul:
Projektmanagement und Individualkompetenz
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Ethik & Nachhaltigkeit
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1EUNIL |
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.
Übergeordnetes Modul:
Sozialkompetenz und Kommunikation 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Informatik- und Cloud-Technologien
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1ICTIL |
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 sowie verteilte softwarebasierte Dienste. Sie setzen aktuelle Komponententechnologien und wirtschaftsrelevante Middleware- und Cloud-Systeme ein und nutzen Methoden und Werkzeuge der plattformunabhängigen Software-Entwicklung.
Übergeordnetes Modul:
Informatik- und Softwaretechnologien
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Intercultural Communication Skills
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1ICSIL |
Typ | IL |
Art | Pflicht |
Unterrichtssprache | Englisch |
SWS | 1 |
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 und Kommunikation 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Software- und Prozess-Notationen
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1SPNIL |
Typ | IL |
Art | Pflicht |
Unterrichtssprache | Deutsch |
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 Software-Entwicklung. Sie beherrschen Abstraktionskonzepte modellgetriebener Softwareentwicklung.
Übergeordnetes Modul:
Informatik- und Softwaretechnologien
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Vertrieb und Marketing
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1VUMIL |
Typ | IL |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Ziel dieser Lehrveranstaltung ist das Verständnis für Marktforschungsmethoden und ihre Einsatzbereiche, Marketing Mix, Produktpolitik, Markenpolitik, Preispolitik, Vertriebspolitik, Vertriebsmanagement, Key Account Management, Wie erreicht man Kundenorientierung und Kundenbindung, Verkaufszyklus verstehen, Absatzwege und Multi-Channelmanagement, nationale und internationale Vertriebsstrategien, Kommunikationspolitik, Internet- Marketing, Lebenszyklus Marketing, Vertriebscontrolling und -planung. Praktische Umsetzung durch Case Studies, Vertiefung in das Sales- und Marketing-Denken ("Sales and Marketing Strategies") und dessen Umsetzung, Analyse von Best-Practice Beispielen. Umweltfaktoren, Markteintrittsstrategien, Kulturen und ihre Einflüsse auf arketingstrategie und interkulturelle Verhandlungen; Berücksichtigung von Ethik im globalen Marketing.
Lernergebnis:
Die Absolvent*innen kennen die wesentlichen Grundbegriffe des "Sales und Marketing" und ihre praktische Bedeutung. Sie haben einen Überblick über die Werkzeuge des Marketing Mix. Die Absolvent*innen kennen die Grundlagen wesentlicher Marketingtheorien und deren praktischen Nutzen in speziellen Situationen. Sie kennen die wichtigsten modernen Tendenzen im Marketing und ihr Wirken auf den Unternehmenserfolg. Die Absolvent*innen verstehen Vertriebsmechanismen im wirtschaftlichen Kontext und können diese selbst gestalten. Sie bearbeiten eine komplexe Aufgabenstellung aus verschiedenen Bereichen der Wirtschaft (Case Studies), lösen eigenständig eine Problemstellung und dokumentieren diese ingenieurmäßig.
Übergeordnetes Modul:
Projektmanagement und Individualkompetenz
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Foundations of IT-Security
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1FISIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Nach einer kurzen Wiederholung der Grundlagen der Kryptographie wird die IT-Security als Gesamtbereich vorgestellt. Themen wie die Analyse und Darstellung aktueller Bedrohungen in der IT werden ebenso diskutiert, wie organisatorische Aspekte der IT-Security, also die Einbettung und Umsetzung einer Sicherheitsstrategie im Firmenumfeld. Im Anschluss werden Planung und Umsetzung einer systematischen Sicherheitsanalyse von komplexen IT-Systemen diskutiert, deren praktische Umsetzung auch im Labor nachvollzogen wird. Schließlich werden fortgeschrittene Themen der IT-Security wie z.B. Intrusion Detection und Prevention im Detail diskutiert.
Lernergebnis:
Die Absolvent*innen erwerben Kenntnisse und praktische Fähigkeiten auf dem Gebiet des Betriebes und des Entwurfes von ausgedehnten, abgesicherten Kommunikationsnetzwerken. Sie verstehen Bedrohungspotenziale für Netzinfrastrukturen und kennen Gegenmaßnahmen. Die Absolvent*innen sind in der Lage Gegenmaßnahmen gegen aktuelle Bedrohungen praktisch umzusetzen.
Übergeordnetes Modul:
SP: Cyber Security 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Network Reliability and Virtualization
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1NRZIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 3 |
ECTS-Punkte | 5 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Netzwerkplanung und -implementierung mit dem Fokus auf Netzzuverlässigkeit. Fortgeschrittene Netzwerkthemen aus dem Bereich ISP und Datacenter-Networking, wie beispielsweise das Border Gateway Protocol (BGP), Multicast, Virtual Extensible Lan (VxLAN), Speichernetzwerke etc. Virtualisierung und deren Einfluss auf moderne Netzwerke. Aktuelle Entwicklungen im Netzwerkbereich wie beispielsweise Netzwerkvirtualisierung, Software Defined Networks (SDN), Programmierbare Dataplanes (z.B. P4) und Next- Gen SDN.
Lernergebnis:
Die Absolvent*innen können verlässliche, performante IP-Netzwerke planen und implementieren, sie können Netzwerke betreffend deren Ausfallsicherheit bewerten und optimieren. Sie können IP-Multicast Netzwerke planen, implementieren und optimieren. Sie sind grundlegend mit BGP vertraut und können grundlegende BGP-Konfigurationen vornehmen. Sie sind mit aktuellen Netzwerktechnologien aus den Bereichen Enterprise Networking, Datacenter Networking und Service Provider Networking vertraut. Sie haben Einblick in aktuelle Entwicklungen im Bereich der Netzwerktechnologie (z.B. Software Defined Networks (SDN), Programmierbare Dataplanes (z.B. P4) und Next-Gen SDN)
Übergeordnetes Modul:
SP: Cyber Security 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Rechtliche Aspekte von Cyber Security
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1RACIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 2 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Inhalte der Lehrveranstaltung sind insbesondere das Datenschutzrecht, das Strafrecht mit einem Schwerpunkt auf dem Computerstrafrecht und der Verbandsverantwortlichkeit sowie zivilrechtliche Haftungsfragen, jeweils inklusive der relevanten verfahrensrechtlichen Bestimmungen. Außerdem werden das Themengebiet Compliance, ausgewählte Aspekte des Arbeitsrechts und des Gesellschaftsrecht sowie die Cyber-Versicherung und spezielle sondergesetzliche Grundlagen (z.B. das NISG) behandelt.
Lernergebnis:
Die Absolvent*innen kennen die relevanten gesetzlichen Grundlagen aus dem Datenschutz-, Straf-, Zivil-, Arbeits- und Gesellschaftsrecht sowie aus den Bereichen Compliance und Versicherung, können diese auf konkrete Fälle anwenden und Implikationen daraus ableiten. Sie kennen die rechtlichen Grundlagen zur Prävention und die rechtlichen Konsequenzen von Cyber-Sicherheitsvorfällen für die unterschiedlichen Akteure.
Übergeordnetes Modul:
SP: Cyber Security Zusatz
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltungen
SP: Social Engineering
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1SEGIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Grundlagen der menschlichen Psychologie mit Schwerpunkten auf Vertrauen und Verhalten in Stresssituationen; gängige Techniken des Social Engineering und deren Zielgruppen; Konzepte zur Prävention und Abwehr von Social Engineering; Aufarbeitung von Social-Engineering-Vorfällen und Kommunikation mit Betroffenen
Lernergebnis:
Die Absolvent*innen verstehen, wie und warum Social Engineering funktioniert, welche Umstände es begünstigen und wie die Erfolgswahrscheinlichkeit von Social Engineering minimiert werden kann. Weiters sind die Absolvent*innen in der Lage, gängige Social-Engineering-Techniken zu identifizieren und abzuwehren. Sie können darüber hinaus Dritte, insbesondere Fachfremde über Social Engineering und dessen Prävention aufklären.
Übergeordnetes Modul:
SP: Cyber Security Zusatz
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltungen
SP: Analytics and Knowledge Discovery
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1AKDIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Englisch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Approaches for Data Analytics, EDA Parallel Lines, Boxplots, Kernel Density Estimators, Basic Coding and Embedding of Data, Curse of imensionality, PCA, t-SNE, K-means, Hierarchical Clustering, Spectral Clustering, Distances and Similarity Measures. (Anwendungen für Data Analyitcs, Explorative Datenanalyse, Parallel Lines und Boxplots, Kerndichteschätzer, grundlegende Codierung von Daten, Fluch der Dimensionalität, Hauptkomponentenanalyse, t-SNE, k-means, hierarchisches Clustering, spektrales Clustering, Distanzen und Ähnlichkeitsmaße).
Lernergebnis:
Die Absolvent*innen können klassische Verfahren der explorativen Datenanalyse auf unterschiedliche Datentypen (numerische, kategoriale, Text-) anwenden. Sie sind in der Lage einen Knowledge Discovery Process (Data Mining, Information Retrieval, Strukturentdeckende Verfahren) zu implementieren, die Dimensionalität der Daten zu reduzieren, Cluster zu identifizieren und entsprechend zu visualisieren. Die Lehrveranstaltung fokussiert auf nicht-überwachtes Lernen.
Übergeordnetes Modul:
SP: Data Science & Analytics 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Data Science
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1DCEIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Englisch |
SWS | 3 |
ECTS-Punkte | 5 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Terminologie, Design Cycle und Extended Design Cycle, Data Sampling und Normalisierung, Performance Measures, Cross Validation, Training Policies, K-nearest Neighbour und Minimum Distance Classifier, Natural Language Processing und spezifische Features, Low Level Image Features.
Lernergebnis:
Die Absolvent*innen kennen Typen und Bestandteile von Data Science Projekten, können deren Struktur beschreiben und die entsprechenden Positionen und Bezeichnungen von MitarbeiterInnen benennen. Sie verstehen die Konzepte hinter Daten, Modellen und Algorithmen und benutzen Fachsprache, um diese zu beschreiben. Sie diskutieren die Eignung von Datensammlungen oder Datenbeschaffungsprozessen für bestimmte Aufgabenstellungen. Sie sind in der Lage, Methoden und Algorithmen anzuwenden, um aus Daten in unterschiedlichen Repräsentationen (numerisch, kategorisch, One-hot oder textlich) Informationen zu extrahieren. Sie kennen Methoden zu Sammlung, Bereinigung und Visualisierung von Daten, um ein Verständnis aus Sicht der Anwendung zu entwickeln. Dem weiteren Design Cycle für überwachtes Lernen folgend können sie Merkmals-Extraktionen und das Sampeln von Trainings- und Testdaten implementieren, ausgewählte (einfache) Klassifizierer parametrisieren und trainieren und deren Performance bewerten. Dazu benutzen sie state-of-the-art Entwicklungsumgebungen und skalierbare Technologien und sind in der Lage gewählte Lösungswege inhaltlich zu argumentieren.
Übergeordnetes Modul:
SP: Data Science & Analytics 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Mathematik und Modellierung
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1MAMIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 4 |
ECTS-Punkte | 5 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Vektorwertige Funktionen in mehreren Variablen, Vektorfelder, skalare Felder, partielle Ableitungen, Gradientenoperator, Jacobi- und Hesse Matrix, Richtungsableitung, Taylor-Reihen in mehreren Variablen, kritische Punkte, lokale Minima, Maxima und Sattelpunkte, konvexe Optimierung und Anwendungen. Integralrechnung, Pre-Hilbert-Raum, inneres Produkt, (Orthonormal-)Basis und Basistransformation, Eigenwerte, Eigenvektoren, Matrixzerlegungen und Anwendungen (PCA).
Lernergebnis:
Die Absolvent*innen können mit mehrdimensionalen Funktionen Sachverhalte modellieren. Sie sind in der Lage, das Veränderungsverhalten dieser Funktionen zu analysieren und kritische Punkte zu bestimmen. Sie können komplexe Funktionen durch mehrdimensionale Polynome approximieren (insbesondere mit Tangentialebenen und Taylorpolynomen zweiter Ordnung). Sie sind in der Lage, Gradienten-basierte Verfahren zum Auffinden von lokalen Minima einzusetzen. Sie verstehen ausgewählte Problemstellungen der konvexen Optimierung und können diese mit mathematischer Software lösen. Die Absolvent*innen sind in der Lage, die wichtigsten Matrixzerlegungen zu berechnen und wenden die Eigenwerttheorie an, um die Hauptachsentransformation für Daten durchzuführen. Die Absolvent*innen sind in der Lage, mehrdimensionale Integrale aufzulösen. Sie verstehen das Konstrukt eines Vektorraumes (VR) mit innerem Produkt und sind in der Lage, es in verschiedenen Anwendungsbereichen zu identifizieren. Sie beherrschen die Koordinatentransformation für den Wechsel einer Basis in endlich-dimensionalen VRen und kennen den Zusammenhang mit der Fourier Analyse. Sie kennen ausgewählte Anwendungsbereiche der genannten Methoden.
Übergeordnetes Modul:
SP: Mathematik und Modellierung
Kompetenzerwerb aus dem übergeordneten Modul:
--
SP: Digital Signal Processing 1
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1DSPIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Englisch |
SWS | 3 |
ECTS-Punkte | 5 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Theorie diskreter Signale und Systeme, diskrete Zouriertransformation, FFT, Leistungsdichtespektrum, diskrete Faltung und Korrelation, schnelle Varianten mit FFT, Interpolation, Berechnungen in der z-Ebene, z-Übertragungsfunktion, Stabilität und Frequenzgang diskreter Systeme, Diskretisierung kontinuierlicher Systeme (bilineare Transformation, impuls-invariante Transformation), Digitale Filter, Prinzip von FIR- und IIR-Filtern, FIR-Filtertypen, FIR-Filterdesign, schnelle FIR-Filter mit FFT, Frequenztransformationen, Simulation von Signalverarbeitungsalgorithmen und Implementierung Ziskreter Systeme in einer Laborumgebung (e.g. Matlab, Python, C).
Lernergebnis:
Die Absolvent*innen verstehen die mathematischen Konzepte für die Beschreibung kontinuierlicher und diskreter Signale und Systeme und kennen die Beziehungen zwischen Zeit- und Frequenzbereich. Sie sind vertraut mit den Grundlagen der Abtastung und können grundlegende Transformationen (Fourier, Laplace, z) anwenden. Sie verstehen die Basis-Algorithmen wie FFT, diskrete Faltung und Korrelation. Sie können kontinuierliche Systeme in diskrete transformieren und verstehen die dabei auftretenden Einschränkungen. Sie verfügen über ein fundiertes Wissen im Design und in der Implementierung digitaler FIR-Filter und verstehen ihre Anwendungsmöglichkeiten. Sie haben Erfahrung in der Simulation von DSP-Algorithmen in einer Laborumgebung und können diskrete Systeme mit Hilfe von Simulationssoftware und mit Hilfe von Low-level-Programmiersprachen implementieren.
Übergeordnetes Modul:
SP: Smart Systems & Robotics 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Industrierobotik 1
Semester | 1 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM1IRKIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Schematische Zeichnung eines Roboters, Grundlagen der Lagebeschreibung, Rotationsmatrizen, Parametrierung von Rotationen, Kombination von Rotation und Verschiebung, homogene Transformationsmatrizen, DH-Konvention für Industrieroboter, Vorwärtstransformation, Rückwärtstransformation von seriellen Kinematiken (geometrische, algebraische und numerische Verfahren), Geschwindigkeitskinematik, Trajektorienplanung.
Lernergebnis:
Die Absolvent*innen können mit Hilfe einer schematischen Roboterzeichnung eine Roboterstellung beschreiben. Sie können die Transformationen (Position und Orientierung) und die Geschwindigkeiten zwischen Werkzeug- und Achskoordinaten berechnen. Sie sind vertraut mit den gängigen Verfahren der Trajektorienplanung und können Trajektorien für Roboter planen. Sie können Roboterprogramme in einem Robotersimulator umsetzen und Simulationsläufe analysieren.
Übergeordnetes Modul:
SP: Smart Systems & Robotics 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Angewandte Statistik
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2AWSIL |
Typ | IL |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 3 |
ECTS-Punkte | 4 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Schätztheorie: Punkt und Intervallschätzer, Maximum Likelihood Methode, Momentenmethode, Parametrische und nicht-parametrische Modelle (Kerndichteschätzer, Normalverteilungen, Mischmodelle), Statistische Tests, Study-Design und Varianzanalyse. Datenvisualisierung. Outlook: Zufallszahlen und Randomisierung; Graphische Modelle und Anwendungen.
Lernergebnis:
Die Absolvent*innen können Methoden der schließenden Statistik auf Daten anwenden und die erhaltenen Ergebnisse sprachlich und graphisch vermitteln. Sie können Daten mit Modellen beschreiben und visualisieren und sind in der Lage, Abhängigkeiten von Zufallsvariablen durch graphische Modelle darzustellen. Sie kennen statistische Standards und sind in der Lage, Experimente zu planen, durchzuführen und zu dokumentieren. Sie kennen Anwendungen von Zufallszahlengeneratoren im Bereich von generativen Modellen und können entsprechende Daten mit mathematischer Software erzeugen.
Übergeordnetes Modul:
Mathematische Methoden
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Ausgewählte Kapitel Industrial Informatics 1
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2AKIIL |
Typ | IL |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 1 |
ECTS-Punkte | 2 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Erwerben eines Grundverständnisses zu einem ausgewählten Thema einer Basistechnologie aus dem Bereich der "Industrial Informatics"; Reflexion und kritische Diskussion zum Thema in Anbindung an gesellschaftliche Fragestellungen (wirtschaftlich, ökologisch, sozial, etc.). Mögliche Themenfelder: OPC Unified Architecture, Mobile & Pervasive (Business) Applications, Advanced Service Engineering, Artificial Intelligence, Systems Engineering, etc. Bekanntgabe des Themenfokusses Ende des 1. Semesters. Statt dieser LVA sind zwei Alternativen möglich, die im Zuge einer Interessensbekundung und dem selbstorganisierten Lernen angerechnet werden (im Rahmen von 4 ECTS / 2 SWS): Alternative 1: Short Term Mobility: Austauschproramm an einer Partneruniversität, Zeitfenster zw. 2. und 3. Semester Alternative 2: Organisationslaboratorium: Kooperation mit der Universität Klagenfurt, Blockveranstaltung 2. Semester
Lernergebnis:
Die Absolvent*innen lernen eine neue, im Studium bisher wenig vermittelte Basistechnologie ("State of the Art Methode") aus dem Bereich der "Industrial Informatics" kennen. Sie sind in der Lage komplexe technische Inhalte daraus zu beschreiben, zu unterscheiden und möglichen Anwendungsgebieten zuzuordnen. Gleichermaßen können sie deren Auswirkungen auf gesellschaftliche Fragestellungen reflektieren und kritisch hinterfragen.
Übergeordnetes Modul:
Projekt und Workshop 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Discussion and Argumentation Skills
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2DASIL |
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. Die Inhalte der Lehrveranstaltung werden mit der Teamarbeit im R&D Projekt koordiniert.
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. Anwendung der Lerninhalte finden sich in der Reflexion und Erarbeitung passender Argumentationsketten im Kontext des R&D Projekts wieder.
Übergeordnetes Modul:
Sozialkompetenz und Kommunikation 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
IT- & Security-Management
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2ITSIL |
Typ | IL |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | abschließend |
Lehrveranstaltungsinhalte:
IT-Management & Enterprise Architecture; Planung und Steuerung der IT (= IT-Strategien); IT-Portfolio; Service Level Management, Strategisches IT-Controlling; Ressourcenplanung und Kapazitätsmanagement; TCO-Analyse; Beschaffungs-Management; IT In/Outsourcing; Grundzüge IT Governance (Sarbanes-Oxley Act, BASEL III), ITIL, IT-Finanzmanagement, ISO17799 und ISO20000, Change Management, Problem-Management (helpdesk), Sicherheitsmanagement, Lifecyclemanagement, Desasterrecovery Maßnahmen; Backup Restore Pläne. Risk-Management, Informations- und Datenklassifizierung; Patentrecht. Emerging & Disruptive Technologies; Hybrid & Ditributed Cloud & Cloud Operations; Automation in Software Development (DevSecOps). IT-Security Organization, Governance, Risk & Complience; Security Standards und Frameworks (ISO27000, IT-Grundschutz), Cyber Security Strategien, Security-Life-Cycle, Security Policies/Standards Guidelines/Procedures, Access Control Models, Cloud Security, Industrial Control Systems (ICS), Ethical Hacking und Penetration Testing, IT & Malware Forensics, Incident Handling & Computer Emergency Response Team (CERT), Rechtsgrundlagen / juristische Besonderheiten; Kryptographische Algorithmen & Protokolle, Security Protokolle in der Praxis, Security Engineering, Security-Bewertung; Security Policies, Critical Infrastructure & Essential Services Providers NIS), Angriffsarten, Security-Mechanismen (Firewalls, Verschlüsselung, Authentifizierung, Logging); Data Privacy (DSGVO)&Protection; Security Target Operating Model; Incident Response & Cisis Management; Security Certifications (ISO27001), Regulations (Cyber Security Act) & Compliance; Security Target Operating Model.
Lernergebnis:
Die Absolvent*innen verfügen über das notwendige Wissen, um die IT in einem Unternehmen mitzugestalten und spezifische IT-Managementaufgaben umzusetzen. Als künftige IT & Security ManagerInnen 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). Ebenso vertiefend ist der Wissenserwerb im Bereich Security Management und dem Umgang mit sich verändernden Bedrohungen und deren Auswirkungen auf die Cyber Security Strategie von Unternehmen. Den Absolvent*innen sind die kryptografischen Grundlagen der IT-Security vertraut. Sie können Sicherheitsbedrohungen einschätzen und kennen aktuelle Gegenmaßnahmen. Die Absolvent*innen können zudem technische Maßnahmen zur IT-Sicherheit selbstständig und kompetent umsetzen.
Übergeordnetes Modul:
IT-Management und Innovation
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
R&D-Projekt 1
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2RDPPT |
Typ | PT |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 4 |
ECTS-Punkte | 4 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Forschungs- und entwicklungsorientierte Projektarbeit mit fachlich-methodischer Aufarbeitung von Themenstellungen der Spezialisierungen. Fokus auf Analyse, Bewertung und Auswahl angewandter Methoden bzw. eingesetzter Technologien. Praktische Umsetzung von technischen Projekten, zum Teil in Kooperation bzw. Abstimmung mit Wirtschaftsunternehmen. Begleitendes Projektmanagement, Reflexion und Coaching zur Teamarbeit sowie Aufbereitung und zielgruppenorientierte Kommunikation der Projektergebnisse.
Lernergebnis:
Die Absolvent*innen sind in der Lage eine Forschungs- und entwicklungsorientierte Projektarbeit im Team zu planen, zu bearbeiten und zu präsentieren. Sie finden eigenständige Lösungswege im Kontext wissenschaftlicher Evidenz (Recherchekompetenz sowie entsprechende Beweisführung) und erwerben praxisorientierte Problemlösungskompetenz. Dadurch werden sie für jene Bereiche sensibilisiert, die eines vertiefenden, selbstgesteuerten und im Team vollzogenen Wissenserwerbs bedürfen.
Übergeordnetes Modul:
Projekt und Workshop 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Software- und Systems-Engineering
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2SSEIL |
Typ | IL |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 3 |
ECTS-Punkte | 4 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Software-Projekt-Management; SW-Qualitätsmanagement; Aufwandsschätzungsverfahren; Auswahl und Einsatz von Produkt- und Prozessmetriken; SW-Risikomanagement; Herausforderungen und Strategien des 'Development and IT Operations' (DevOps); Applikationssicherheit und Incident Management; Software-Engineering-Techniken für die Softwareentwicklung "im Großen"; Software Engineering Tool Chain; Aktuelle Themen des Software-Engineerings.
Lernergebnis:
Die Absolvent*innen verstehen die verschiedenen Aufgabenfelder und Tätigkeiten im Rahmen des Software-Entwicklungsprozesses (Requirements Engineering & Softwarequalität; Softwarearchitektur; Detailled Design & Design-for-X; Verification and Validation) und des Produktivbetriebs von Software und meistern systematisch die Herausforderungen der Organisation von unterschiedlichen wirtschaftsrelevanten Software-Projekten. Die Absolvent*innen beurteilen Vorgehensmodelle und entwickeln diese eigenständig weiter und treiben Konzeption, Implementierung und Monitoring von professionellen Software-Projekten und des damit verbundenen Produktivbetriebs selbständig voran.
Übergeordnetes Modul:
Software Engineering
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Adaptive Software-Architekturen
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2ASAIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Grundlagen und Charakterisierung von Softwarearchitekturen; Architekturbezogene Qualitätsattribute; Modell- und Serviceorientierte Architekturen; Evolutionäre Softwarearchitektur und emergentes Design; 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 machen informatische Abstraktionsmethoden für beteiligte Stakeholder nachvollziehbar und nutzbar. Sie erkennen innovationsrelevante Fragestellungen und entwickeln selbständig geeignete adaptive Lösungskonzepte, um ein hohes Maß an technisch-methodischer Heterogenität systematisch und flexibel zu managen.
Übergeordnetes Modul:
SP: Adaptive Software-Architekturen
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Ausgewählte Algorithmen und Optimierung
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2AAOIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Theoretische und experimentelle Methodiken und Kriterien zur Bewertung der Effizienz von Algorithmen und Datenstrukturen. Analyse ausgewählter Algorithmen und Datenstrukturen mit Bezug zu unterschiedlichen Anwendungsdomänen. Optimierungsmöglichkeiten von algorithmischen Implementierungen. Ausgewählte Techniken und informatische Umsetzungen von Verfahren der mathematischen Optimierung mit Bezug zu unterschiedlichen Anwendungsdomänen.
Lernergebnis:
Die Absolvent*innen sind in der Lage, Algorithmen in ihren jeweiligen Anwendungsgebieten auszuwählen und hinsichtlich ihrer Ressourcenanforderungen zu bewerten. Sie verstehen, welche Optimierungen möglich und zielführend sind. Die Absolvent*innen sind darüber hinaus in der Lage, Optimierungen selbst durchzuführen und zu deren Erfolg quantitativ zu bewerten.
Übergeordnetes Modul:
SP: Cyber Security 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Privacy Enhancing Technologies
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2PETIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Definitionen von Privatsphäre im technologischen Kontext, Ziele und Aufgaben von privatsphärenerhaltenden Technologien, Abgrenzung zu Sicherheit; privatsphärenerhaltende Protokolle und deren kryptografische Bausteine, kryptografische Grundlagen der Verfahren und Protokolle; Anwendung von homomorpher Verschlüsselung, Masking, Differential Privacy, etc.; Entwurf eigener Protokolle und Analyse bestehender Verfahren, Bewertung von Verfahren hinsichtlich Kosten, Nutzen und Angriffsmöglichkeiten; Grundlagen der formalen Beweisführung.
Lernergebnis:
Die Absolvent*innen können den Nutzen und die Ziele privatsphärenerhaltender Technologien formulieren und im Kontext realer Problemstellungen beurteilen. Sie können Kosten und Nutzen der Anwendung solcher Technologien abschätzen und sich an Konzeption, Entwurf und Auswahl geeigneter Lösungen beteiligen. Die Absolvent*innen haben einen Überblick über gängige Verfahren in ausgewählten Domänen, verstehen die formalen und mathematischen Grundlagen davon und können diese Verfahren hinsichtlich ihrer Eignung, ihrer Sicherheit und ihrer Anwendbarkeit beurteilen. Weiters können die Absolvent*innen die Funktionsweise einfacher Protokolle auf Basis bewährter kryptografischer Verfahren auch formal bewerten und deren Kosten und Nutzen sowie die Risiken beim Einsatz in realer Umgebung planen und abschätzen.
Übergeordnetes Modul:
SP: Cyber Security 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Secure Network Operations and Analytics
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2SNOIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 3 |
ECTS-Punkte | 5 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Hauptinhalt dieser Lehrveranstaltung ist das Management und die Organisation von IT-Sicherheit, sowie der sichere Betrieb von großen Netzwerkinfrastrukturen. Dabei werden sowohl organisatorische Aspekte der Sicherheitsmanagements als auch technische Aspekte behandelt. Es werden aktuelle Ansätze zur organisatorischen Umsetzung von IT-Sicherheit in Unternehmen ebenso behandelt, wie technische Methoden um relevante Daten zu Security und Performance im Netzwerk zu erheben und diese sinnvoll zu analysieren und aufzubereiten.
Lernergebnis:
Die Absolvent*innen kennen aktuelle Ansätze in der organisatorischen Einbindung und dem Management von IT-Security. Sie sind mit dem Prozess zur Erstellung von Security Policies vertraut und kennen Verfahren zur Sicherstellung ihrer Einhaltung, sowie der Gewährleistung des sicheren Betriebs durch Security Information and Event Management (SIEM). Die Absolvent*innen kennen aktuelle Verfahren um Sicherheitskonzepte in großen Netzwerkinfrastrukturen umzusetzen. Sie wissen darüber hinaus, wie der sichere Betrieb dieser Infrastrukturen durch Erhebung von Daten zu Security und Performance überprüft werden kann und können fortgeschrittene Methoden zu Auswertung und Analyse dieser Daten anwenden.
Übergeordnetes Modul:
SP: Cyber Security 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Machine Learning
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2MLGIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Englisch |
SWS | 3 |
ECTS-Punkte | 5 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Statistische Lerntheorie, No-free-lunch Theorem, Lernkurven, Fehlerfunktionen, Verzerrung und Varianz; ausgewählte Modelle: Maximum Entropy (Logistische Regression), Künstliche Neuronale Netzwerke, SVM (Kernel SVM, Multi-Class SVM, OneClass SVM), Naive Bayes, Minimum Risk.
Lernergebnis:
Die Absolvent*innen verstehen die Konsequenzen und Einschränkungen bei der Wahl eines bestimmten Machine Learning Modells im Kontext der statistischen Lerntheorie und in Bezug auf das No-free-lunch Theorem. Sie sind in der Lage, entsprechend aus bekannten Algorithmen auszuwählen, diese zu parametrisieren und bezüglich ihrer Komplexität zu bewerten. Während des Trainingsprozesses können sie Over- und Underfitting erkennen und mit geeigneten Gegenmaßnahmen dagegenwirken. Sie verfügen über das Wissen um geeignete Machine Learning Modelle für verschiedene Arten von Daten (numerische, Texte, Bilder) und Aufgabenstellungen (Klassifikation, Repräsentationslernen, Objekterkennung) auszuwählen.
Übergeordnetes Modul:
SP: Data Science & Analytics 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Robust and Explainable AI
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2REAIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Englisch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Metriken für Interpretierbarkeit, Nachvollziehbarkeit und Fairness von Modellen; Merkmalsauswahl; Model Pruning; Entscheidungsbäume; Ensemble-Methoden; Sensitivitätsanalyse.
Lernergebnis:
Die Absolvent*innen setzen sich mit erklär- und interpretierbaren Modellen der künstlichen Intelligenz (Explainable Artificial Intelligence, XAI) auseinander und können Entscheidungsbäumen und deren Erweiterungen als eine Form davon anwenden. Damit sind sie in der Lage, robuste Systeme zu bauen, deren Vorhersagen und Entscheidungen nachvollziehbar sind. Die Absolvent*innen verstehen es, den Einfluss einzelner Merkmale auf das Ergebnis zu interpretieren und kommunizieren die Modellentscheidungen. Weiters können sie die Modelle hinsichtlich ihres Ressourcenverbrauchs durch geeignete Merkmalsauswahl und/oder einer Ausdünnung des Modells während gleichzeitig die Vorhersagequalität hochgehalten wird, optimieren. Sie beherrschen die Analyse des Einflusses von unausgewogenen, verzerrten oder verrauschten Daten auf trainierte Systeme hinsichtlich Fairness oder Robustheit.
Übergeordnetes Modul:
SP: Data Science & Analytics 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Digital Signal Processing 2
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2DSPIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Englisch |
SWS | 3 |
ECTS-Punkte | 5 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
IIR-Filterstrukturen, IIR-Filtertypen, Design von IIR-Filter, Frequenztransformationen von IIR-Filtern, Quantisierungsproblematik bei Filter höherer Ordnung, kaskadierte SoS-Filter, Notch-Filter, Kamm-Filter, Median-Filter, Theorie und Umsetzung adaptiver FIR-Filter (LMS), Polyphase-Filter, Qualitätsverbesserung durch Oversampling, Theorie und Simulation eines Sigma-Delta-ADC, Grundlagen der 2D- Signalverarbeitung (Bildverarbeitung), Anwendung von Standard- SP- Algorithmen für 2D-Signale, Simulation und Implementierung digitaler Filter in einer Laborumgebung (e.g. Matlab, Python, C).
Lernergebnis:
Die Absolvent*innen verstehen die theoretischen Grundlagen des Designs von IIR-Filtern und kennen die Vor- und Nachteile verschiedener Filtertypen und Designmethoden. Sie verstehen das Problem der Koeffizienten-Quantisierung und können IIR-Filter mit Hilfe von kaskadierten SoSFilterstrukturen implementieren. Sie kennen das Prinzip von Notch-, Kamm- und Medianfilter. Die Absolvent*innen verstehen die Theorie adaptiver LMS-Filter und können diese auch implementieren. Weiters kennen sie die theoretischen Grundlagen eines Sigma-Delta-ADCs und können diese auch praktisch verifizieren. Sie verstehen die Anwendung von Standard-DSP-Algorithmen auch für 2D-Signale (Images).
Übergeordnetes Modul:
SP: Smart Systems & Robotics 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Industrierobotik 2
Semester | 2 |
---|---|
Studienjahr | 1 |
Lehrveranstaltungsnummer | ITSM2IRKIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Dynamik von Industrierobotern, Euler-Lagrange-Formalismus, kinetische und potenzielle Energie, Dynamische Bewegungsgleichungen eines Industrieroboters, Euler-Newton-Gleichungen, Einzelachsregelung (Sollwertfolge und Störunterdrückung, Vorsteuerung, Anti-Wind-Up, Zustandsraumregelung, Beobachterentwurf), Mehrgrößenregelung, inverse Dynamik.
Lernergebnis:
Die Absolvent*innen verstehen ein dynamisches Mehrkörpersystem. Sie können ein Mehrkörpersystem und dessen bestimmende Größen auf gängige Roboterkinematiken beziehen und mit geeigneten Simulationssystemen analysieren. Ausgehend von den dynamischen Robotergleichungen können die Absolvent*innen Mehrgrößenregler synthetisieren und bewerten.
Übergeordnetes Modul:
SP: Smart Systems & Robotics 1
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Advanced Presentation Skills
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3APSIL |
Typ | IL |
Art | Pflicht |
Unterrichtssprache | Englisch |
SWS | 1 |
ECTS-Punkte | 2 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Zusammenfassen einschlägiger Fachtexte und wissenschaftlicher Artikel und deren Aufbereitung für mündliche Darstellung, zielgruppenorientierte und emotionell ansprechende Präsentationstechniken, Einsatz rhetorischer Mittel, Storyboarding und Storytelling. Die Inhalte der Lehrveranstaltung werden mit der Teamarbeit im R&D Projekt koordiniert.
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. Anwendung der Lerninhalte finden sich in der Reflexion und Durchführung passender Präsentationstechniken im Kontext des R&D Projekts wieder.
Übergeordnetes Modul:
Sozialkompetenz und Kommunikation 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Ausgewählte Kapitel Industrial Informatics 2
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3AKIIL |
Typ | IL |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 1 |
ECTS-Punkte | 2 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Erwerben eines Grundverständnissses zu einem ausgewählten Thema / einer Basistechnologie aus dem Bereich der "Industrial Informatics"; Reflexion und kritische Diskussion zum Thema in Anbindung an gesellschaftliche Fragestellungen (wirtschaftlich, ökologisch, sozial, etc.). Mögliche Themenfelder: OPC Unified Architecture, Mobile & Pervasive (Business) Applications, Advanced Service Engineering, Artificial Intelligence, Systems Engineering, etc. Bekanntgabe des Themenfokusses Ende des 1.Semesters. Statt dieser Lehrveranstaltung sind zwei Alternativen möglich, die im Zuge einer Interessensbekundung und dem selbstorganisierten Lernen angerechnet werden (im Rahmen von 4 ECTS/ 2 SWS): Alternative 1: Short Term Mobility: Austauschprogramm an einer Partneruniversität, Zeitfenster zw. 2. und 3. Semester Alternative 2: Organisationslaboratorium: Kooperation mit der Universität Klagenfurt, Blockveranstaltung 2. Semester
Lernergebnis:
Die Absolvent*innen lernen eine neue, im Studium bisher wenig vermittelte Basistechnologie ("State of the Art Methode") aus dem Bereich der "Industrial Informatics" kennen. Sie sind in der Lage komplexe technische Inhalte daraus zu beschreiben, zu unterscheiden und möglichen Anwendungsgebieten zuzuordnen. Gleichermaßen können sie deren Auswirkungen auf gesellschaftliche Fragestellungen reflektieren und kritisch hinterfragen.
Übergeordnetes Modul:
Projekt und Workshop 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Digital Innovation
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3DINIL |
Typ | IL |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Das Ziel dieser Lehrveranstaltung 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. Die Studierenden verstehen die komplexe Herausforderung, bereichsübergreifend tätig zu sein und können Potenzial für "Wandel" innerhalb der Unternehmung verifizieren. Durch Risiko Management werden Unternehmensrisiken anhand exemplarischer Beispiele analysiert. Anpassung bestehender Unternehmens- und Arbeitsstrukturen; Beurteilung der digitalen Transformationen anhand wirtschaftlicher, organisationaler und strategischer Abläufe sowie Prozesse (z.B. Betrachtung von BPMN). Diskussion der Auswirkungen digitaler Technologien auf Geschäftsprozesse und Funktionsbereiche (Blockchain-Technologie, Business Application Patterns, digitaler Zwilling einer Organisation); Verständnis der Digitalen Transformation als Change Management; Verifizierung und Simulation von IOT Daten für Produktionsprozesse, Semantische Suche (NLP); Aufbau des Innovations-Prozesses und seiner KPIs, Bewertung und Priorisierung von Ideen, praktische Anwendung von innovativen Methoden wie Business Model Generation, Lean Canvas und "Blue Ocean Strategie" zur Vertiefung der Ideen bis zum traditionellen Business-Plan. Digitale Trends wie Open Innovation, Rahmenbedingungen und Beispiele für erfolgreiche Innovationen, Lean StartUp Prozess vs. "traditioneller" Produktentwicklung. Digitalisierung und deren Auswirkungen/Risikoabschätzungen bzgl. Ausfallsicherheit auf Unternehmen und Führungskräfte; digitale Führungsarbeit in der Praxis.
Lernergebnis:
Die Absolvent*innen verfügen über einen Überblick der Themenbereiche Digitale Innovation & Digitale Transformation. Sie 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. Die Absolvent*innen beherrschen Vorgehensmodelle und Methoden, um eine messbare Innovations-Kultur im Unternehmen und den zugehörigen Innovations-Prozess aufzubauen, einzusetzen und langfristig zu etablieren. Weiters können sie mit qualitativen und quantitativen Methoden die Innovationskraft eines Unternehmens beurteilen und sind in der Lage, Ideen in Innovationen umzuwandeln, aktuelle Methoden zur Schärfung einzusetzen und übliche Probleme bei der Umsetzung von Ideen vorweg zu adressieren und einen entsprechenden Innovationsprozess zu etablieren.
Übergeordnetes Modul:
IT-Management und Innovation
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Master Expose
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3MAEIT |
Typ | IT |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 1 |
ECTS-Punkte | 2 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Entwicklung eines inhaltlich vollumfänglichen Exposés als Grundlage für den Betreuungsprozess; schlüssige Beschreibung der Motivation bzw. Problemformulierung, der Zielsetzungen, der Forschungsfragen, des methodischen Vorgehens, der erwarteten Ergebnisse der Masterarbeit, der Gliederung der Masterarbeit sowie zusätzlich eines vorläufigen Literaturverzeichnisses sowie eines tragfähigen Zeitplans.
Lernergebnis:
Die Absolvent*innen verschriftlichen alle geforderten inhaltlichen Exposébestandteile 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
Masterseminar
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3MASSE |
Typ | SE |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 1 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Systematischer Aufbau eines Exposés und diskursive Verteidigung von Initialversionen in Gruppensituationen; Merkmale eines wissenschaftlichen Arbeitsstils; Literaturphase und thematische Breite (Varianten); Theoretischer Bezugsrahmen; Analyse aktueller Publikationen; Umgang mit wissenschaftlichen Literaturquellen - auch in elektronischer Form - inklusive Referenzierung; Qualitätsaspekte wissenschaftlichen Arbeitens und "Standards guter wissenschaftlicher Praxis".
Lernergebnis:
Die Absolvent*innen betreiben selbständig zielorientierte Struktur- und Inhaltsentwicklung für wissenschaftliche Arbeiten, sie finden selbständig relevante Publikationen zum Themenbereich der Masterarbeit und bauen wissenschaftliche Argumentationslinien eigenständig auf, sie verstehen dabei die Bedeutung von wissenschaftlich-methodischem Vorgehen. Sie kennen den Publikations-Life-Cycle inklusive den Review-Prozess. Darüber hinaus können sie formale, strukturelle und inhaltliche Qualitätsaspekte wissenschaftlicher Arbeiten bewerten.
Übergeordnetes Modul:
Wissenschaftliches Arbeiten
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
R&D-Projekt 2
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3RDPPT |
Typ | PT |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 4 |
ECTS-Punkte | 4 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Forschungs- und entwicklungsorientierte Projektarbeit mit fachlich-methodischer Aufarbeitung von Themenstellungen der Spezialisierungen. Fokus auf Analyse, Bewertung und Auswahl angewandter Methoden bzw. eingesetzter Technologien. Praktische Umsetzung von technischen Projekten, zum Teil in Kooperation bzw. Abstimmung mit Wirtschaftsunternehmen. Begleitendes Projektmanagement, Reflexion und Coaching zur Teamarbeit sowie Aufbereitung und zielgruppenorientierte Kommunikation der Projektergebnisse.
Lernergebnis:
Die Absolvent*innen sind in der Lage eine Forschungs- und entwicklungsorientierte Projektarbeit im Team zu planen, zu bearbeiten und zu präsentieren. Sie finden eigenständige Lösungswege im Kontext wissenschaftlicher Evidenz (Recherchekompetenz sowie entsprechende Beweisführung) und erwerben praxisorientierter Problemlösungskompetenz. Dadurch werden sie für jene Bereiche sensibilisiert, die eines vertiefenden, selbst-gesteuerten und im Team vollzogenen Wissenserwerbs bedürfen.
Übergeordnetes Modul:
Projekt und Workshop 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Networks for Industry and Critical Infrastructures
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3NICIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 3 |
ECTS-Punkte | 5 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Industrielle Netze und Protokolle, Energieinformationsnetze, Echtzeitanforderungen für Produktion und kritische Infrastruktur, Handhabung von Legacy Protokollen.
Lernergebnis:
Die Absolvent*innen kennen die Anforderungen für spezielle Netzwerke in den Bereichen Industrie und kritische Infrastruktur, insbesondere der Energieversorgung. Sie kennen aktuelle Protokolle und Techniken für diese Bereiche und wissen, wie mit Legacy Protokollen umgegangen werden muss.
Übergeordnetes Modul:
SP: Cyber Security 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: OT Security
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3OTSIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Industrie 4.0 bedingt eine immer höhere Vernetzung von Cyber Physical Systems (CPS) und Smarte Maschinen und Produkte verschieben den Sicherheitsbedarf von einer zentralen Einheit in Richtung eines massiv verteilten Systems. Klassische IT-Sicherheit greift hier oft zu kurz und kann nur bedingt in hoch volatilen (Produktion) oder schwer kontrollierbaren (IOT) Umgebungen für Sicherheit sorgen. Methoden, die einen reibungslose Produktion oder einen gewohnten Betrieb behindern können, ebenso nicht wirtschaftlich eingesetzt werden. Die Lehrveranstaltung eröffnet einerseits neue Perspektiven für Studierende mit Security-Schwerpunkt und erarbeitet andererseits Strategien, Methoden und Architekturen für einen sicheren, ungestörten und für den Menschen verwendbaren Sicherheitsstandard in Produktion und bei vernetzten Produkten. Es werden die wichtigsten industriellen Protokolle und Architekturpattern und deren Beitrag zur Sicherheit auf OT-Ebene vermittelt und Strategien für Usability und Sicherheit bei IOT-Geräten entwickelt. In der Lehrveranstaltung werden aktuelle Fragestellungen aus der Forschung und von Industriepartnern präsentiert. Teilnehmer*innen diskutieren, entwickeln und präsentieren mögliche Lösungen und dokumentieren sowohl den Stand der Technik als auch die Vor- und Nachteile und technischen Details der vorgeschlagenen Lösungen.
Lernergebnis:
Die Absolvent*innen sind in der Lage IT und OT Sicherheit zu unterscheiden. Sie kennen die wichtigsten Protokolle und Architekturen von Industrie 4.0 und (I)IOT und sie können eigenständig Strategien entwickeln, um ein umfassendes Sicherheitskonzept für Produkt und Produktion zu erstellen.
Übergeordnetes Modul:
SP: Cyber Security 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Deep Learning
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3DLGIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Englisch |
SWS | 3 |
ECTS-Punkte | 5 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Deep Learning Paradigma, Representation Learning, Convolutional Neural Networks, Fully Convolutional Networks, Generative Adversarial Networks, Skip Connections, Parametrisierung und Modellauswahl bzw. design. Anwendungsbereiche: Image classification, Object detection, Image segmentation. 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 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 Software-Ressourcen an. Sie sind in der Lage, mit diesen Methoden innovative Anwendungen zu entwickeln und kennen die Grenzen und Einsatzgebiete der jeweiligen Algorithmen.
Übergeordnetes Modul:
SP: Data Science & Analytics 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Natural Language Processing
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3NLPIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Englisch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Natural Language Processing mit Deep Neural Networks, beispielsweise rekurrente Neuronale Netze, Attention-Modelle, Transformer oder BERT. Kontextualisierte Repräsentationen, Subwort-Tokenisierung, Beam Search. Applications: Transfer Learning, Textklassifikation, Textgenerierung, maschinelle Übersetzung. Tools: Python, scikit-learn, nltk, tensorflow/keras/PyTorch.
Lernergebnis:
Die Absolvent*innen sind in der Lage, sogenannte Attention-basierte Modelle zur Verarbeitung natürlicher Sprache anzuwenden und geeignete Netzwerke für Anwendungen in Bereichen wie maschinelle Übersetzung und Sentimentanalyse in sozialen Netzwerken zu implementieren. Aufbauend auf zuvor erworbenen Fähigkeiten in der Vorverarbeitung von Textdaten können sie kontextualisierte Textrepräsentationen und komplexe Netzwerkarchitekturen dazu verwenden. Sie sind in der Lage, Netzwerkparameter und -design abhängig von der Problemstellung zu bestimmen und kennen die Grenzen und Anwendungsbereiche der jeweiligen Algorithmen.
Übergeordnetes Modul:
SP: Data Science & Analytics 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Mobile Robotik
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3MRIKIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Bestandteile eines mobilen Roboters, Bewegungsarten mobiler Roboter, Sensoren und Aktoren am mobilen Roboter, Einführung in die Lokalisierung, Kartierung in 2D/3D, Bewegungsplanung, Roboterkontrollarchitekturen, Einführung in ROS.
Lernergebnis:
Die Absolvent*innen kennen die wichtigsten Bestandteile eines mobilen Roboters und können die verschiedenen Bewegungsarten einer mobilen Plattform gegenüberstellen. Sie kennen die Konzepte der Bewegungsplanung von mobilen Robotern und können diese anwenden. Sie verstehen Strategien der Wahrnehmung für Roboter. Sie kennen Methoden der Lokalisierung, Kartierung, und Navigation und deren Stärken und Schwächen und Wissen um Roboterkontrollarchitekturen. Sie können die gelernten Methoden auf eine gegebene mobile Roboterplattform beziehen und mit ROS hardwarenah programmieren.
Übergeordnetes Modul:
SP: Smart Systems & Robotics 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Numerik und Industrielle Algorithmen
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3NIAIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 3 |
ECTS-Punkte | 5 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Numerische Fehleranalyse, ausgewählte numerische Methoden (regulär und überstimmte lineare Gleichungssysteme, Polynominterpolation, numerische Integration und Differentiation), ausgewählte geometrische Algorithmen und Datenstrukturen (konvexe Hülle, Bereichssuche, Voronoi-Diagramme, Delaunaytriangulierung, skeletale Strukturen) und Bezugssetzung zu industriellen Anwendungen.
Lernergebnis:
Die Absolvent*innen kennen die numerischen Schwierigkeiten in der Programmierung, können diese quantifizieren und mögliche Lösungswege aufzeigen. Sie kennen verschiedene numerische und geometrische Methoden, können diese in einfachen Fällen implementieren, können Bibliotheksumsetzungen anwenden und vergleichend auswählen.
Übergeordnetes Modul:
SP: Smart Systems & Robotics 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
WF1: Big Data and Cloud Computing
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3BDCIL |
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:
WF1: Informationstechnologien
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
WF1: Dependable Systems Engineering
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3DSEIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Herausforderungen und Lösungsansätze für die interdisziplinäre Entwicklung software-intensiver Systeme; Grundlagen des Systems Engineerings; Model Based Systems Engineering (MBSE); Verlässlichkeit ("Dependability") als Sammelbegriff kritischer Qualitäten, Systems Engineering Prozess Modelle; Verifikation, Validierung und Integration im interdisziplinären Umfeld; Verkopplung technischer Architekturen mit Organisations-Architekturen.
Lernergebnis:
Die Absolvent*innen haben ein Bewusstsein für spezifische Herausforderungen in der interdisziplinären Entwicklung software-intensiver Systeme. Sie kennen unterschiedliche Konzepte und Methoden (wie z.B. Model Based Systems Engineering, MBSE) um diesen Herausforderungen zu begegnen. Darüber hinaus haben sie ein vertieftes Verständnis für Einsatz und Anwendung der SysML (Systems Modelling Language) sowie der ISO 15288 als fundamentales Prozessmodell. Ergänzend kennen sie die Bedeutung der kritischen Qualitäten (Dependability, Verlässlichkeit) im Kontext der interdisziplinären Entwicklung.
Übergeordnetes Modul:
WF1: Informationstechnologien
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
WF1: Industrial Image Processing
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3IIPIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Grundelemente der Bildverarbeitungskette, Hardwarekomponenten (Optik, Kameras, Beleuchtung), Grundlagen der Bildverarbeitung (Filterung, Bildverbesserung, Bildsegmentierung), Morphologische Operationen, Bildanalyse im Zeit- & Frequenzbereich, Industrial Inspection, Visual Quality Control, Grundlagen des Image Learning
Lernergebnis:
Die 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 können diese unter Verwendung gängiger Software-Bibliotheken implementieren. Sie sind in der Lage durch Analyse von Bildverarbeitungsaufgaben diese zu bewerten, um in weiterer Folge Lösungen für industrielle Bildverarbeitung zu entwickeln. Sie kennen einfache Konzepte des maschinellen Lernens und deren Anwendbarkeit in der Bildverarbeitung.
Übergeordnetes Modul:
WF1: Informationstechnologien
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
WF2: Business Leadership und Start-Up
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3BLSIL |
Typ | IL |
Art | Wahlpflicht |
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 Distanz; Vertrauen als Erfolgsfaktor; Umgang mit virtueller Kommunikation und mit Konflikten im virtuellen Raum; eLearning Tools im Unternehmen. Einführung und Vertiefung in Unternehmensführung bzw. Management, Führungstheorien, Führungsstile, Management-Funktion/Aufgaben, Management-Prozess/Systeme Zielsysteme, Planung, Entscheidung, Organisation, Führung, Controlling, Managementprozess - Anwendung mit Beispielen einer Unternehmensentwicklung; Leadership Modelle (transaktional, transformal), Anwendung von Kennzahlensystemen; Realisierungs- und Erfolgschancen, Change-Management, Unternehmensentwicklung, Lean Management, Personalmanagement, Zeitmanagement, Koordination und Konfliktmanagement. Unternehmensgründung (company formations, business formations) Gründungsmanagement, Entwickeln einer Geschäftsidee, Business Case & Produktinnovation (mittels Business Canvas & Value Proposition Canvas); Arten der Finanzierung (Schwerpunkt: Kapitalmarkt); virtuelle Unternehmen, 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:
WF2: Informatik bzw. Management
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
WF2: Energieinformatik
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3ENIIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Grundlagen Energy Informatics, Smart Grids, Smart Metering, Energiemärkte, intelligente Energiesysteme.
Lernergebnis:
Die Absolvent*innen sind mit den Herausforderungen moderner Energiesysteme vertraut und kennen die Grundlagen der Energieinformatik. Sie kennen die wichtigsten Protokolle in digitalisierten Energiesystemen und Lösungen auf verschiedenen Netzebenen.
Übergeordnetes Modul:
WF2: Informatik bzw. Management
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
WF2: UX-Technologien
Semester | 3 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM3UXTIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 3 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Grundprinzipien des User Experience Designs und der Interaktions- und Dialoggestaltung; Design-Thinking Prozess; Benutzung grafischer Entwicklungsumgebungen; Programmiertechniken für einfache multimodale Benutzerinteraktionen und heterogene Plattformen; grafische Darstellung von mathematisch-technischen Sachverhalten; Verwendung grundlegender GUI-Elemente wie Menüs, Fenster, Dialoge und deren Modalitäten; Grundkonzepte von sprach- und gestenbasierter Interaktion; Entwicklungswerkzeuge für UI-Erstellung; Interaktion mit mobilen Systemen; ausgewählte Kapitel aktueller UX-Technologien.
Lernergebnis:
Die Absolvent*innen weisen vertieftes Verständnis für den UX-Design-Prozess auf und wenden die Grundprinzipien des User Experience Designs und besonders der Mensch-Computer-Interaktion unter Nutzung aktueller technischer Werkzeuge und Interaktionstechniken zur Implementierung eigener Lösungen an. Sie setzen dabei konsequent eine UX-orientierte Informations-Architektur um und nutzen dabei industrierelevante Werkzeuge und Entwicklungsumgebungen, um einfache bis anspruchsvolle interaktionsoptimierte Anwendungen für mehrere Zielplattformen (z.B. Android, iOS oder Windows) zu konzipieren und diese zu implementieren. Sie entwickeln selbständig ihr eigenes UX-Portfolio basierend auf gängigen UX-Technologien.
Übergeordnetes Modul:
WF2: Informatik bzw. Management
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Masterarbeit
Semester | 4 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM4MAAIT |
Typ | IT |
Art | Diplom/Masterarbeit |
Unterrichtssprache | Deutsch |
SWS | 0 |
ECTS-Punkte | 20 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Entwickeln und selbständiges Bearbeiten der Fragestellungen sowie inhaltliche Auseinandersetzung auf wissenschaftlichem Niveau zu einem aktuellen Thema der Informationstechnologien (Kernfachgebiete stellen die Wissenslinien der Forschung am Studiengang dar) 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 der 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 | ITSM4MAPDP |
Typ | DP |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 0 |
ECTS-Punkte | 2 |
Prüfungscharakter | abschließend |
Lehrveranstaltungsinhalte:
Die Masterabschlussprüfung setzt sich aus den Prüfungsteilen (1) Präsentation der Masterarbeit auf Englisch inklusive Defensio der Masterarbeit, (2) Prüfungsgespräch, welches auf die Querverbindungen des Themas der Masterarbeit zu den relevanten Fächern der Wissenslinien des Studienplans eingeht, sowie (3) einem Prüfungsgespräch über sonstige studienplanrelevante Inhalte im Zusammenhang mit Innovationsbezügen der approbierten Masterarbeit zusammen.
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. Darüber hinaus stellen sie gut nachvollziehbare Querverbindungen zu wesentlichen Bezugsfächern des Studiums her und kommunizieren die Innovationsaspekte ihrer Masterarbeiten in allgemeinverständlicher Form, sie erklären dabei komplexe Zusammenhänge in zielpublikumsbezogener Weise. Durch die Masterabschlussprüfung weisen die Absolvent*innen ihre Fähigkeit zum "Agieren in Unsicherheit" nach und belegen durch sicheres Auftreten und solides technisch-wissenschaftliches Argumentieren ihre Fähigkeit, auf herausfordernde Fragestellungen adäquat zu reagieren.
Übergeordnetes Modul:
Wissenschaftliches Arbeiten
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Ringvorlesung
Semester | 4 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM4RVORC |
Typ | RC |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 1 |
ECTS-Punkte | 1 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Panels- bzw. Kurzvorträge mit anschließender Diskussion aus verschiedenen F&E Projekten des Studiengangs und aus Kooperationen mit Unternehmen zu aktuellen Themen. Literaturbesprechungen.
Lernergebnis:
Die Absolvent*innen lernen aktuelle Anwendungsszenarien im Bereich der Kernfächer des Curriculums kennen, reflektieren gemeinsam mit Betroffenen und Akteuren die Auswirkungen des Einsatzes von digitalen Technologien und sind in der Lage, diese Erkenntnisse in Erfahrungswissen für ihre zukünftige Tätigkeit zu transformieren.
Übergeordnetes Modul:
Sozialkompetenz und Kommunikation 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Zielgruppenorientierte Kommunikation
Semester | 4 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM4ZGKIL |
Typ | IL |
Art | Pflicht |
Unterrichtssprache | Deutsch |
SWS | 2 |
ECTS-Punkte | 2 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Identifizieren von Ansprechpersonen und Methoden, diese zu erreichen. Formen und Rahmenbedingungen wirksamen Feedbacks, Übungen und Rollenspiele. Individuelle Aufarbeitung der in der integrierten 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 und Kommunikation 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Advanced Topics Networking, Security and Privacy
Semester | 4 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM4ATNIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 3 |
ECTS-Punkte | 5 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Aktuelle Themen der Netzwerktechnologien, der Security und der Privacy.
Lernergebnis:
Die Absolvent*innen kennen aktuellste Technologien und den Stand der Forschung in ausgewählten Bereichen. Sie sind in der Lage sich wissenschaftliche Literatur in diesen Bereichen selbst anzueignen und auf Basis dieser Simulationen und Implementierungen durchzuführen.
Übergeordnetes Modul:
SP: Cyber Security 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Current Trends in AI
Semester | 4 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM4CTAIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 3 |
ECTS-Punkte | 5 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Die Inhalte orientieren sich an aktuellen Forschungsthemen und Kooperationen des Applied Data Science Labs der Fachhochschule Salzburg und werden in Form von Gastvorträgen, Speziallabors, Artikelbesprechungen und Workshops angeboten. Das jeweilige Angebot wird im Wintersemester entwickelt und bekannt gegeben. Die Lehrveranstaltung kann auch in Form von ECTS Credits aus anderen technischen Masterstudiengängen mit Bezug zum Thema belegt werden.
Lernergebnis:
Gemeinsam mit Forscher*innen und Expert*innen entwickeln und diskutieren die Absolvent*innen neue Anwendungen und Technologien im Bereich der künstlichen Intelligenz. Sie sind in der Lage, wissenschaftliche Artikel zu studieren und sich mit Herausforderungen und Lösungsansätzen in Unternehmen auseinander zu setzen. Sie können über die Auswirkungen der Technologie und deren soziale und ethische Implikationen reflektieren.
Übergeordnetes Modul:
SP: Data Science & Analytics 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
SP: Moderne Industrieautomatisierung
Semester | 4 |
---|---|
Studienjahr | 2 |
Lehrveranstaltungsnummer | ITSM4MIAIL |
Typ | IL |
Art | Wahlpflicht |
Unterrichtssprache | Deutsch |
SWS | 3 |
ECTS-Punkte | 5 |
Prüfungscharakter | immanent |
Lehrveranstaltungsinhalte:
Überblick über Begriffsbildung und Wandel zu moderner Industrieautomatisierung, Architektur von und Kommunikation in verteilten Industriesystemen (RAMI 4.0, OPC UA, Pub-Sub, Echtzeitkommunikation), Security in industriellen Systemen, Informationsmodellierung (OPC UA, Companion Specifications), industrielle Einbindung von AI-Methoden (z.B. Machine Learning, Analytics, Computer Vision).
Lernergebnis:
Die Absolvent*innen können die Herausforderungen moderner Industrieautomatisierung bewerten und kritisch beurteilen. Sie können Lösungen ableiten, entwerfen und erarbeiten, die für die Anforderungen an eine sichere, flexible und verteilte Automatisierung geeignet sind. Die Absolvent*innen kennen die aktuellen Architektur- und Informationsmodelle und können sie einordnen und in Beziehung setzen und eine Auswahl begründen. Sie können die Transition zu moderner Industrieautomatisierung für ausgewählte Anwendungsfälle aufzeigen und begleiten. Sie kennen die spezifischen Herausforderungen industrieller AI-Methoden und können diese in eigenen Entwürfen berücksichtigen.
Übergeordnetes Modul:
SP: Smart Systems & Robotics 2
Kompetenzerwerb aus dem übergeordneten Modul:
siehe Lehrveranstaltung
Mit dem Wintersemester 2023 wurde ein neues Curriculum für den Masterstudiengang Informationstechnik & System-Management implementiert (siehe oben). Für Studierende im 3. und 4. Semester gilt nach wie vor das "alte" Curriculum (siehe unten).
Legende | |
---|---|
Semester | Das 1., 3., 5. Semester findet im Wintersemester und das 2., 4., 6. Semester findet im Sommersemester statt. |
SWS | Semesterwochenstunden; die Einheiten pro Semesterwochenstunde sind im jeweiligen Studiengangsantrag festgelegt. Im Bachelorstudium sind es z.B. meistens 14 Einheiten pro SWS. Pro Einheit werden 45 Minuten unterrichtet. |
ECTS Punkte | Arbeitsaufwand in ECTS-Punkt, 1 ECTS bedeutet 25 Stunden Arbeitsaufwand für Studierende |
Typ | BP = Bachelorabschlussprüfung DP/MP = Diplom-/Masterabschlussprüfung IL = Integrierte Lehrveranstaltung IT = Individualtraining/-phasen LB = Labor(übung) PS = Proseminar PT = Projekt RC = Lehrveranstaltung mit reflexivem Charakter RE = Repetitorium SE = Seminar TU = Tutorium UB = Übung VO = Vorlesung |