Studienplan

Die AbsolventInnen erwerben theoretisches Wissen im Bereich der Formalen Sprachen und der Automatentheorie, das es ihnen er-möglicht, nicht nur selbst Compiler(-teile) und Syntaxgesteuerte Werkzeuge zu bauen, sondern auch die gerade im Bereich der generativen Programmierung notwendigen Frameworks und Werk-zeuge zu verstehen, nutzbringend anzuwenden und solche zu er-weitern oder selbst zu entwickeln (siehe Modul GP).

Formale Sprachen, Compiler- und Werkzeugbau

Semester	1
Typ	Pflicht / Vorlesung
ECTS	3
Prüfungsart	Schriftliche Prüfung
Formale Sprachen: Begriffe und Definitionen (z. B. Symbol, Regel, Grammatik, Sprache, Ableitung, Reduktion), Übersicht Chomsky-Hierarchie, reguläre Sprachen, reguläre Ausdrücke und endliche Automaten, kontextfreie Sprachen und Kellerautomaten, insbesondere deterministische Erkennung, LL(k) und LR(k). Compiler- und Werkzeugbau: Compilergrobstruktur (Frontend, Backend, Datenfluss), lexikalische Analyse, Syntaxanalyse, Fehlererkennung sowie -behandlung, formale Beschreibung von Übersetzungsprozessen (attributierte Grammatiken) und Implementierung dieser Übersetzungsprozesse mittels Compilergeneratoren. Zwischensprachen, Methoden der Optimierungen und Codegenerierung.

Formale Sprachen, Compiler- und Werkzeugbau

Semester	1
Typ	Pflicht / Übung
ECTS	2
Prüfungsart	Immanente Beurteilung
In den Übungen werden die theoretischen Aspekte der Formalen Sprachen mit theoretischen Aufgaben, die Aspekte des Compiler- und Werkzeugbaus anhand der vollständigen Implementierung einer einfachen Beispielsprache in Form eines Interpretierers und eines Compilers, der Bytecode für eine eigene virtuelle Maschine erzeugt, geübt.

Die AbsolventInnen lernen, das Wissen, die Fähigkeiten und Fertig-keiten aus dem Modul FCW nicht nur für Compiler und Werkzeuge, sondern auch für das Generieren von Software(teilen) anzuwenden. Sie lernen, die notwendigen Frameworks und Werkzeuge zu ver-stehen, nutzbringend anzuwenden, zu erweitern oder selbst zu entwickeln. Somit bilden die beiden Module GP und FCW eine optimale gegen-seitige Ergänzung und außerdem die Voraussetzung für die Module PR1 und PR2, in denen diese Techniken dann praktische Anwen-dung finden.

Generative Programmierung

Semester	2
Typ	Pflicht / Vorlesung
ECTS	3
Prüfungsart	Schriftliche Prüfung
Motivation und Idee der generativen Programmierung („ ... manufacturing software in an automated way ...“); Übersicht über Methoden und Techniken der generativen Programmierung; Detaillierte Behandlung besonders wichtiger bzw. gerade aktueller Ansätze wie Templates, generische Programmierung, dynamische Sprachen, statische Metaprogrammierung (z. B. in C++) und dynamische Me-taprogrammierung auf Basis von Metainformationen (z. B. in C# oder Java mit Reflection); Aspektorientierte Programmierung (AOP) mit Werkzeugen, die statisches und dynamisches Einweben von Aspekten erlauben; Intentional Programming (IP); Domain Enginee-ring; Domain Specific Languages and Architectures; Feature Modeling; Software-Produktlinien (in Verbindung mit AOP); Generatoren und Frameworks für Generatoren.

Generative Programmierung

Semester	2
Typ	Pflicht / Übung
ECTS	2
Prüfungsart	Immanente Beurteilung
In den Übungen werden konkrete Beispiele insbesondere aus den Bereichen statische/dynamische Metaprogrammierung und aspektorientierte Programmierung behandelt

Der Absolvent erkennt Parallelität in Mehrprozessor- und Mehr-rechnersystemen als ein Mittel zur Leistungssteigerung in Compu-tersystemen (High-Performance-Computing) sowie die Randbedin-gungen, unter denen diese Leistungssteigerung zu erzielen ist. Er kennt Programmierparadigmen und Architekturmuster, mit denen robuste skalierbare Softwaresysteme entwickelt werden können. Er kann zu relevanten Problemen der Informatik die Anwendbarkeit von paralleler Verarbeitung einschätzen und ist in der Lage, parallele Anwendungen selbstständig gemäß ingenieursmäßiger Vorge-hensweisen zu entwerfen und umzusetzen.

Multicore-Programmierung und Verteiltes Rechnen

Semester	3
Typ	Pflicht / Vorlesung
ECTS	3
Prüfungsart	Schriftliche Prüfung
Message Passing: Distributed-Memory Programming (Intro, Princi-ples and Basics), MPI Introduction, MPI Group-Communication Functions, MPI Topologies, MPI Tools for Debugging and Profiling, Übungen. General-Purpose GPU: Multicore and GPU Programming (Intro, Principles and Basics), OpenACC Introduction, CUDA Introduction, CUDA Performance Optimization, CUDA Tools for Debugging and Profiling, CUDA Libraries (CuBLAS, Thrust), OpenCL Introduction, Übungen. Reactive Programming: Grundkonzepte (Responsivität, Nachrichtenorientiertheit, Widerstandfähigkeit, Skalierbarkeit), Funktionale Programmierkonzepte ((partielle) Funktionen, Monaden, Futures/Promises, unveränderliche Typen etc.), Muster (Aktoren, Streams, CQRS, Event Sourcing, Location Transparency, Protocol Buffers etc.), Werkzeuge und Frameworks (Akka), Übungen.

Multicore-Programmierung und Verteiltes Rechnen

Semester	3
Typ	Pflicht / Übung
ECTS	2
Prüfungsart	Immanente Beurteilung
Einführung: Klassifikation von Computerarchitekturen, Konzepte verteilter und paralleler Systeme, Designansätze. Wiederholung d. Grundlagen verteilter Systeme: Leistungsmessung und -analyse, Kommunikation in verteilten Systemen, Uhrensynchronisation, Elec-tion Algorithmen, verteilte Transaktionen, Konsistenz u. Replikation, Message Passing und MPI. Multicore-Prozessoren, Cluster Computing: Motivation, Cluster Computing-Hardware (z. B. Netzwerktechnologien), Strategien zur Aufteilung und Zuordnung von Jobs, Scheduling und Lastverteilung, Cluster Management-Software. P2P Computing: P2P Computing Frameworks, Protokolle (z. B. Epidem-ic Newscast Protocol). Space Based Computing: Konzept von Tuple Spaces, Frameworks (Java Spaces, XVSM Spaces), Anwendungen. Grid Computing: Grid-Projekte u. -Environments (Condor, Legion, Globus), Open Grid Service Architecture (OGSA), Scheduling u. Ressourcen Management in Grid-Systemen.

Die AbsolventInnen lernen herkömmliche Bedrohungen sowie die aktuelle Bedrohungslage aus technischer (z. B. Hacker, Botnetze, Echelon), rechtlicher (z. B. PCI DSS, DSG, 8. EU Richtlinie, IT-Compliance) und menschlicher (z. B. Social Engineering) Sicht kennen. Sie erwerben die Fähigkeiten und Fertigkeiten, die zum Entwurf und zur Entwicklung sicherer, verlässlicher und test- sowie wartbarer Software notwendig sind.

Sicherheit und Fehlertoleranz in Softwaresystemen

Semester	1
Typ	Pflicht / Vorlesung
ECTS	3
Prüfungsart	Schriftliche Prüfung
Überblick über die wichtigsten Lösungen im technischen (z. B. Firewall, Virenschutz, Spam, Backup, Access Control, VPN, Möglichkeiten im Design von Sicherheitsinfrastruktur), im persönlichen (z. B. Benutzer Awareness) sowie im organisatorischen (z. B. Common Criteria, BSI GSHB, ISO27001, IT Governance) Bereich. Kurz Grundlagen: IT-Sicherheitsprozess, Sicherheitsmodelle, Maß-nahmen (AAA, Kryptografie); Bedrohungen: Sicherheitsbedrohun-gen, Vermeidungstechniken; Modellierung von Sicherheit in Soft-ware-Systemen: Treat Modeling; Sicherheitsaspekte moderner Entwicklungsplattformen; Fehlertoleranz in Softwaresystemen: Exception Handling, Protokollierung, Fail-Over-Systeme, Fehlertole-rante Kommunikationsprotokolle.

Sicherheit und Fehlertoleranz in Softwaresystemen

Semester	1
Typ	Pflicht / Übung
ECTS	2
Prüfungsart	Immanente Beurteilung
Überblick über die wichtigsten Lösungen im technischen (z. B. Firewall, Virenschutz, Spam, Backup, Access Control, VPN, Möglichkeiten im Design von Sicherheitsinfrastruktur), im persönlichen (z. B. Benutzer Awareness) sowie im organisatorischen (z. B. Common Criteria, BSI GSHB, ISO27001, IT Governance) Bereich. Kurz Grundlagen: IT-Sicherheitsprozess, Sicherheitsmodelle, Maß-nahmen (AAA, Kryptografie); Bedrohungen: Sicherheitsbedrohun-gen, Vermeidungstechniken; Modellierung von Sicherheit in Soft-ware-Systemen: Treat Modeling; Sicherheitsaspekte moderner Entwicklungsplattformen; Fehlertoleranz in Softwaresystemen: Exception Handling, Protokollierung, Fail-Over-Systeme, Fehlertole-rante Kommunikationsprotokolle.

Die AbsolventInnen lernen die Spezifika mobiler und ubiquitärer Systeme theoretisch kennen (insbesondere Kontextmodelle, Mög-lichkeiten der drahtlosen Kommunikation) und erlernen/üben den Umgang mit Konzepten und Techniken/Technologien für den Ent-wurf und für die Implementierung solcher Systeme in einigen aktu-ellen und wichtigen Anwendungsbereichen.

Mobile und ubiquitäre Systeme

Semester	2
Typ	Pflicht / Vorlesung
ECTS	3
Prüfungsart	Schriftliche Prüfung
Sprachbasierte Systeme (Voice User Interfaces, VUI) • Sprachsignal, Spracherkennung • Text to Speech (TTS) • Sphinx, Microsoft Speech API • Voice User Interface Design Natürliche Benutzerschnittstellen (NUI): • Evolution von Benutzerschnittstellen, Gesten, Taxonomie • Eingabegeräte: Multi-Touch (z.B. Pixelsense), eInk, Microsoft Kinect, Leap Motion, Myo Gestureband • Gesten und Gestenerkennung: Algorithmen (1$, Dynamic Time Warping/DTW, Rubine), Microsoft Kinect SDK, GestureFabric und KinectUtils Ambient Intelligence • Indoor- und Outdoor-Lokalisierung: Konzepte und Lösungen Internet der Dinge(IoT)/Wireless Sensor Networks(WSN) • Einführung, Anwendungsbeispiele (z.B. Ambient Assisted Living(AAL)) sowie Hardware-Plattformen (z.B. Arduino, Rasp-berry Pi, Crossbow MICAz) • Routing-Algorithmen: AMRIS, SPIN, Daten-zentriertes Routing, Directed Diffusion, Geographic Routing, Greedy Perimeter Stateless Routing • Data Storage & Retrieval: Data Centric Storage (z.B. Geo-graphic Hash Tables), Sensor Network Databases (z.B. TinyDB) • Eventuell auch Zeit und Synchronisation

Mobile und ubiquitäre Systeme

Semester	2
Typ	Pflicht / Übung
ECTS	2
Prüfungsart	Immanente Beurteilung
Sprachbasierte Systeme (Voice User Interfaces, VUI) • Sprachsignal, Spracherkennung • Text to Speech (TTS) • Sphinx, Microsoft Speech API • Voice User Interface Design Natürliche Benutzerschnittstellen (NUI): • Evolution von Benutzerschnittstellen, Gesten, Taxonomie • Eingabegeräte: Multi-Touch (z.B. Pixelsense), eInk, Microsoft Kinect, Leap Motion, Myo Gestureband • Gesten und Gestenerkennung: Algorithmen (1$, Dynamic Time Warping/DTW, Rubine), Microsoft Kinect SDK, GestureFabric und KinectUtils Ambient Intelligence • Indoor- und Outdoor-Lokalisierung: Konzepte und Lösungen Internet der Dinge(IoT)/Wireless Sensor Networks(WSN) • Einführung, Anwendungsbeispiele (z.B. Ambient Assisted Living(AAL)) sowie Hardware-Plattformen (z.B. Arduino, Rasp-berry Pi, Crossbow MICAz) • Routing-Algorithmen: AMRIS, SPIN, Daten-zentriertes Routing, Directed Diffusion, Geographic Routing, Greedy Perimeter Stateless Routing • Data Storage & Retrieval: Data Centric Storage (z.B. Geo-graphic Hash Tables), Sensor Network Databases (z.B. TinyDB) • Eventuell auch Zeit und Synchronisation

Die AbsolventInnen erwerben die Fähigkeiten, die zum Entwurf und zur Entwicklung komplexer, verteilter Softwaresysteme notwendig sind. Sie kennen einerseits die relevanten Konzepte, die diesen Systemen zugrunde liegen (Modellierung und Architektur), anderer-seits sind sie imstande, diese Konzepte mit modernen Frameworks und Werkzeugen umzusetzen.

Service Engineering

Semester	2
Typ	Pflicht / Vorlesung
ECTS	3
Prüfungsart	Schriftliche Prüfung
Einführung: Komponenten, Services, Web-Services, SOA; Architektur skalierbarer verteilter Anwendungen; synchrone und asynchrone Nachrichtenverarbeitung (Message Queues); fortgeschrittene Web-Service-Konzepte: WS-Security, Reliable Messaging, WS-Policy, verteilte Transaktionen; Verbindung zu Cloud-Computing; Plattformen für SOA: Enterprise Java Beans (Architektur, Programmiermodelle (Beans), JMS, Web-Services), Windows Communication Foundation (Architektur, Protokolle, Programmiermodell, Konzepte zur Instanzenverwaltung, Transaktionen, Security); REST; Microservices (Architekturparadigma, Spring-Boot, Container-Virtuali-sierung).

Service Engineering

Semester	2
Typ	Pflicht / Übung
ECTS	2
Prüfungsart	Immanente Beurteilung
Einführung: Komponenten, Services, Web-Services, SOA; Architektur skalierbarer verteilter Anwendungen; synchrone und asynchrone Nachrichtenverarbeitung (Message Queues); fortgeschrittene Web-Service-Konzepte: WS-Security, Reliable Messaging, WS-Policy, verteilte Transaktionen; Verbindung zu Cloud-Computing; Plattformen für SOA: Enterprise Java Beans (Architektur, Programmiermodelle (Beans), JMS, Web-Services), Windows Communication Foundation (Architektur, Protokolle, Programmiermodell, Konzepte zur Instanzenverwaltung, Transaktionen, Security); REST; Micro-services (Architekturparadigma, Spring-Boot, Container-Virtualisierung).

Die AbsolventInnen lernen die Systemarchitektur der wesentlichen Cloud-Computing-Plattformen kennen und können so deren Ein-satzmöglichkeiten einschätzen. Sie erwerben fundierte Kenntnisse im Entwurf von hochskalierbaren Softwareanwendungen und können die relevanten Architekturmuster anwenden. Die AbsolventInnen kennen die Programmiermodelle, verfügbaren Dienste der we-sentlichen Cloud-Computing-Anbieter sowie alternativer Daten-bankkonzepte und sind imstande, Cloud-Anwendungen für diese Plattformen zu konzipieren und effizient umzusetzen.

Cloud Computing

Semester	3
Typ	Pflicht / Vorlesung
ECTS	3
Prüfungsart	Schriftliche Prüfung
Grundprinzipien des Cloud Computings (Idee und Motivation, Chancen und Risiken, Anwendungsgebiete, Rechenzentren) Architekturen von Cloud-Computing-Plattformen (Schichtenmodell zur Klassifikation von Plattformen, IaaS, PaaS, SaaS). Die Diskus-sion dieser erfolgt u.a. anhand konkreter Beispiele wie Google File System (GFS), Dynamo Key-Value Store (Amazon) und anderen. Konzepte zur Performanz-Messung sowie zur Verbesserung der Skalierbarkeit und Verfügbarkeit Folgende konkrete Plattformen werden näher diskutiert: - Google App Engine (Architektur, Speichermodelle, Task Queues, Einbindung externer Dienste, Security, Quotas, Scheduling, Caching, Programmiermodell) - Microsoft Windows Azure (Architektur, Fehlertoleranz, Programmiermodell, Speicherdienste: Blobs, Tables, Queues, SQL Azure, Windows Azure Service Bus). - Open-Source Cloud Computing wie z. B. OpenStack. Grundlagen nichtrelationaler Datenbanken (z.B. Arten von NoSQL-Datenbanken, CAP-Theorem) werden durch praktische Beispiele (Einsatzgebiete, Skalierbarkeit, Map-Reduce, 3Vs wie volume, variety and velocity, Rolle von Polyglot Persistence) erläutert. Die praktische Erörterung der Konzepte erfolgt anhand typischer Vertreter von NoSQL-Implementierungen, wie z. B. Neo4J und mongoDB.

Cloud Computing

Semester	3
Typ	Pflicht / Übung
ECTS	2
Prüfungsart	Immanente Beurteilung
Grundprinzipien des Cloud Computings (Idee und Motivation, Chancen und Risiken, Anwendungsgebiete, Rechenzentren) Architekturen von Cloud-Computing-Plattformen (Schichtenmodell zur Klassifikation von Plattformen, IaaS, PaaS, SaaS). Die Diskus-sion dieser erfolgt u.a. anhand konkreter Beispiele wie Google File System (GFS), Dynamo Key-Value Store (Amazon) und anderen. Konzepte zur Performanz-Messung sowie zur Verbesserung der Skalierbarkeit und Verfügbarkeit Folgende konkrete Plattformen werden näher diskutiert: - Google App Engine (Architektur, Speichermodelle, Task Queues, Einbindung externer Dienste, Security, Quotas, Scheduling, Caching, Programmiermodell) - Microsoft Windows Azure (Architektur, Fehlertoleranz, Programmiermodell, Speicherdienste: Blobs, Tables, Queues, SQL Azure, Windows Azure Service Bus). - Open-Source Cloud Computing wie z. B. OpenStack. Grundlagen nichtrelationaler Datenbanken (z.B. Arten von NoSQL-Datenbanken, CAP-Theorem) werden durch praktische Beispiele (Einsatzgebiete, Skalierbarkeit, Map-Reduce, 3Vs wie volume, variety and velocity, Rolle von Polyglot Persistence) erläutert. Die praktische Erörterung der Konzepte erfolgt anhand typischer Vertreter von NoSQL-Implementierungen, wie z. B. Neo4J und mongoDB.

Die AbsolventInnen erwerben zusätzliche technische Kompetenzen in einem aktuellen Bereich des Software Engineering.

Aktuelles Vertiefungsfach

Semester	3
Typ	Pflicht / Integrierte Lehrveranstaltung
ECTS	3
Prüfungsart	Mündliche oder Schriftliche Prüfung
Relevante Konzepte eines effektiven Sicherheits- und Identitätsmanagement in komplexen Cloud/Web-Systemen sowie deren spezifische Anwendungen: Identitätsmanagement Konzepte: forderungs-basiert, rollen-basiert, föderierte Identitäten, etc. Protokolle: WS-Security, IPSec, SAML, RACF, Kerberos, etc. APIs: z. B. Windows Identity Foundation, Higgins Open Source Identity Framework. Angriffsszenarien Werkzeuge: z. B. Microsoft ADFS v2 (Active Directory Federation Service), IBM Identity and Access Management Architekturmuster

Die Studierenden werden mit Konzepten der Modellierung, Analyse und Optimierung technischer, wirtschaftlicher und industrieller Sys-teme vertraut. Je nach Wahl: Die AbsolventInnen erwerben solide Kenntnisse in der Methodik des Aufbaus mathematischer Modelle für verschiedene Typen von Systemen (kontinuierliche und diskrete) sowie Methoden und Algo-rithmen für die Lösungen der Optimierungsprobleme in verschiede-nen Domänen. Die AbsolventInnen erwerben Kenntnisse, wie heuristische und evolutionäre Algorithmen zur Modellierung, Analyse und Optimie-rung von Aufgabenstellungen hauptsächlich in der Produktions- und Logistikoptimierung eingesetzt werden können. Im praktischen Teil des Kurses wird die Auswahl sowie die Parametrierung der einzelnen Verfahren unter Verwendung des Optimierungsframeworks HeuristicLab geübt.

Heuristische und Evolutionäre Algorithmen

Semester	1
Typ	Wahlpflicht / Integrierte Lehrveranstaltung
ECTS	5
Prüfungsart	Mündliche oder Schriftliche Prüfung
Taxonomie von Optimierungsalgorithmen, Abgrenzung zwischen numerischer und heuristischer Optimierung, Beispiele kombinatorischer Optimierungsprobleme und Komplexitätstheorie, Lösungsraumverhalten und P- und NP-Probleme. Heuristische Verfahren: Problemspezifische Verfahren vs. Metaheuristiken, Konstruktions- vs. Verbesserungsheuristiken, Nachbarschaft und Distanz von Lösungen, Lokale Suche, Nicht-Populationsbasierte Verfahren, Simulated Annealing, Tabu-Suche. Populationsbasierte Verfahren: Ant-Colony Optimization, Swarm Intelligence, Genetische Algorithmen, Evolutionsstrategien, Genetische Programmierung und Scatter Search. In Übungen Benutzung, Parametersetzung, analytische sowie empirische Analyse verschiedener Optimierungstechniken unter Verwendung von HeuristicLab, einer generischen Entwicklungs- und Testumgebung für heuristische Optimierungsverfahren.

Modellierung und Simulation

Semester	1
Typ	Wahlpflicht / Integrierte Lehrveranstaltung
ECTS	5
Prüfungsart	Mündliche oder Schriftliche Prüfung
Taxonomie der Systemmodelle, Kontinuierliche, diskrete, determi-nistische und stochastische Modelle. Taxonomie der Optimierung. Lineare und nichtlineare Optimierungsalgorithmen, Diskrete Syste-me: Petri-Netze, Discrete Event Systems (DEVS) und ganzzahlige Optimierungsalgorithmen, Kombinatorische Optimierungsalgorith-men, Branch&Bound- u. Branch&Cut-Verfahren. Stochastische Systemmodelle und Optimierungsprobleme: Graphische Modelle (Bayesianische Netze), Markov-Ketten, Monte-Carlo-Methoden. Die Wichtigkeit der Thematik von Modellierung und numerische Opti-mierung wird durch zahlreiche Anwendungsbeispiele aus Medizin, Biologie und Technik präsentiert. In den Übungen erfolgt synchron zur Vorlesung die praktische Er-arbeitung und Behandlung der Lehrinhalte.

Die AbsolventInnen erwerben fundierte Kenntnisse in der Methodo-logie und den Methoden der Entwicklung von intelligenten Soft-waresystemen. Je nach gewählter Lehrveranstaltung erwerben sie direkt umsetzbare Kenntnisse im Aufbau intelligenter Systeme, entweder unter Verwendung deduktiver Methodologien und Metho-den der künstlichen Intelligenz oder unter Verwendung induktiver Methodologien und lernbasierter Methoden mit Einsatz von neuro-nalen Netzen und Fuzzy-Expertensystemen.

Künstliche Intelligenz

Semester	2
Typ	Wahlpflicht / Integrierte Lehrveranstaltung
ECTS	5
Prüfungsart	Mündliche oder Schriftliche Prüfung
Architekturen der intelligenten Systeme, Schichten und Komponenten; Deduktive Methodik des Entwurfs von intelligenten Systemen; Suchalgorithmen, Constraint-Satisfaction-Problem, Aussagen- und Prädikatenlogik als Repräsentations- und Inferenzsprache, Methoden der Wissensrepräsentierung, Planungsalgorithmen, unsicheres Schließen durch Bayesianische Netze und Markov-Ketten, statistische Entscheidungstheorie und Lernalgorithmen.

Neuronal Computing und Fuzzy-Systeme

Semester	2
Typ	Wahlpflicht / Integrierte Lehrveranstaltung
ECTS	5
Prüfungsart	Mündliche oder Schriftliche Prüfung
Architekturen der intelligenten Systeme, Schichten und Komponenten; Induktive Methodik des Entwurfs von intelligenten Systemen; das Neuron und die Synapse; Formale Modelle der Neuronen; Propagierungs- und Aktivierungsfunktion und Ausgabefunktion; Neuronale Netze; Synaptische Modifikation und Lernen, Lerngesetze; Feedforward-Netzwerke und Backpropagation; Selbstorganisieren-de Netze: Kohonen-Netze; Dynamische Netze; Einsatzbeispiele. Fuzzy-Mengen und Fuzzy-Relationsoperationen; Linguistische Variable; Inferenz-Regeln; Repräsentation von Regeln, Fuzzy-Decision-Systeme, Echtzeit-Fuzzy-Expertensysteme; Neuro-Fuzzy-Expertensysteme; Einsatzbeispiele.

Die Studierenden werden mit Konzepten der Programmierung ver-traut, die außerhalb des gängigen Kanons der komponen-ten/objektorientierten Ausbildung liegen. Je nach Wahl: • Nach der Wahl von Alternative Programmierparadigmen besitzen die AbsolventInnen fundierte Kenntnisse über funktionale und logische Programmierparadigmen unter Anwendung der Programmiersprachen Scheme und Prolog. • Nach der Wahl von Agentensystemen besitzen die AbsolventInnen fundierte Kenntnisse über agentenbasierte Systeme und deren Anwendungsmöglichkeiten.

Alternative Programmierparadigmen

Semester	3
Typ	Wahlpflicht / Integrierte Lehrveranstaltung
ECTS	5
Prüfungsart	Mündliche oder Schriftliche Prüfung
Paradigmen stehen im Vordergrund, nicht das Erlernen neuer Programmiersprachen; Hauptaugenmerk liegt auf dem Vergleich der alternativen Problemlösungsmöglichkeiten durch die verschiedenen Paradigmen (und Sprachen). Imperative und objekt-orientierte Programmierung werden als bekannt vorausgesetzt; verschiedene Ausprägungen des objektorientierten Paradigmas anhand von Eigenheiten der Sprachen wie Java, C# und Smalltalk diskutiert. Schwerpunkte bilden das funktionale bzw. des logische Programmierparadigma: Funktionales P.: die Unterschiede von rein funktionalem Programmieren (z. B. Scheme u. ML ohne Zuweisungen, mit Funktionen als first-class values) und imperativen Programmier-sprachen werden herausgearbeitet; Logisches P.: anhand von Prolog wird gezeigt, wie man durch Trennung von Programmlogik und ausführenden Kontrolle eine andere Sichtweise des Programmierens erhält. Abschließend werden relativ neue Paradigmen wie das generative oder das aspektorientierte kurz vorgestellt und mit den anderen verglichen.

Intelligente Agentensysteme

Semester	3
Typ	Wahlpflicht / Integrierte Lehrveranstaltung
ECTS	5
Prüfungsart	Mündliche oder Schriftliche Prüfung
Das Konzept des intelligenten Agenten, software- und technische Agenten, Klassen intelligenter Agenten (von reflex-basiert bis nutzen-basiert), Zentrale und dezentrale Architekturen von Multi-Agent-System, Wissensrepräsentation und Inferenz in Agenten, Aktionsplanung und Aktionsausführung, spezielle Anforderungen an Robotik-Agenten (Sicherheitsschutz-Komponente), Kooperative vs. kompetitive Agenten, Agentenkommunikation und Kommunikationsplattformen, Konfliktmanagement in Multi-Agent-Systems-Negation, Kontaktmanagement-Kollaboration, Agent-Human-Interface. In den Übungen werden die theoretischen Inhalte auf einer universellen Plattform für technischen Multi-Agent (Gruppe von Humanoid Nao Roboter) umgesetzt.

Die AbsolventInnen besitzen detaillierte Kenntnisse über moderne Projektentwicklungsmethoden, die den Kunden bzw. die Qualität in den Mittelpunkt rücken. Weiters sind sie vertraut mit modellgesteu-erter Entwicklung, insbesondere UML2 und ihrer Modellierungsme-thoden samt beispielhafter Werkzeuge. (Das Modul besteht aus zwei Lehrveranstaltungen, die unterschied-liche Aspekte des Software-Projekt-Engineerings behandeln: In der einen, CQD, steht der Kunde bzw. die Qualität im Vordergrund der Betrachtung, in der anderen, MDD, die Art und Weise der Herstel-lung, in diesem Fall die Verwendung von Modellen.)

Model-driven Development

Semester	1
Typ	Pflicht / Übung
ECTS	2
Prüfungsart	Immanente Beurteilung
Behandlung von Werkzeugen, die auf diese Weise vollautomatisch vollständige Anwendungen generieren können, wie z. B. Tau Gen. II.

Quality Engineering

Semester	1
Typ	Pflicht / Vorlesung
ECTS	3
Prüfungsart	Schriftliche Prüfung
Kundengesteuerte Entwicklung: Requirements Management, Requirements-Driven Development, Value-based Software Engineering, Produktlebenszyklus-Management, Reengineering, Servicele-vel-Management, Test-driven Development, Development by Contract (TDD + Assertions); Qualitätsgesteuerte Entwicklung: Qualitätsmanagement und -entwicklung, Qualitätsmodelle (KVP, TQM, EFQM, HOQ, …), ISO 9000ff und CMMI. Application Lifecycle Management (ALM) mit zugehörigen Werkzeugen. Model-driven Development, Model-driven Architecture, Meta-Objektbeschreibungen sowie Modell- und Anwendungsgeneratoren (inkl. Multi-Plattform-Deployment). Vorstellung dazugehöriger Me-thoden und Standards, wie z. B. UML2, MDA , MOF, OMG, QVT, Microsofts DSL.

Die AbsolventInnen erlernen/üben, die erworbenen Software-Engineering-Kenntnisse in Projekten aus der Praxis (mit üblicherweise realen Auftraggebern) integrativ in Teams umzusetzen und vertiefen in projektspezifischen Bereichen das erworbene fachliche Wissen.

Software-Projekt-Engineering: Praxis 1

Semester	1
Typ	Pflicht / Projekt
ECTS	5
Prüfungsart	Immanente Beurteilung
Umsetzung der Projekt-Engineering-Kenntnisse in einem einjährigen Gruppenprojekt, typischerweise mit externem Auftraggeber; im 1. Semester liegt der Fokus auf dem Prozess der Projektentwicklung

Die AbsolventInnen erlernen/üben, die erworbenen Software-Engineering-Kenntnisse in Projekten aus der Praxis (mit üblicher-weise realen Auftraggebern) integrativ in Teams umzusetzen und vertiefen in projektspezifischen Bereichen das erworbene fachliche Wissen.

Software-Projekt-Engineering: Praxis 2

Semester	2
Typ	Pflicht / Projekt
ECTS	5
Prüfungsart	Immanente Beurteilung
Fortsetzung des Studienprojekts aus dem ersten Semester; im 2. Semester Fokus auf den Prozess der Produktentwicklung

Die AbsolventInnen erlernen/üben, die erworbenen Software-Engineering-Kenntnisse in Projekten aus der Praxis (mit üblicher-weise echten Auftraggebern, Kooperationspartnern) integrativ in Teams umzusetzen und vertiefen in projektspezifischen Bereichen das erworbene fachliche Wissen.

Masterarbeitsprojekt

Semester	3
Typ	Pflicht / Projekt
ECTS	4
Prüfungsart	Immanente Beurteilung
Inhaltliche, projektbezogene Vorarbeiten für die Diplomarbeit (einzeln oder in einer kleinen Gruppe).

Je nach Wahl: • Die AbsolventInnen besitzen fundierte Kenntnisse in den Kon-zepten und Methoden des Data Warehousing sowie der Daten-vorverarbeitung für anknüpfende Analysen im Sinne Data Mi-ning/Maschinellen Lernens. Beginnend von der Sichtweise auf Datenbankebene erwerben sie im ersten Teil des Moduls Grundkenntnisse des Data Warehousing wie Datenbeschaffung, Datenvorverarbeitung, OLAP (Online Analytical Processing) bzw. Datenbankdesign für Data Warehouse. • Die AbsolventInnen kennen die technischen Herausforderungen von Echtzeitsystemen und sind in der Lage auch auf spezieller Hardware (z. B. proprietären Entwicklungsboards) mit minimalen und/oder echtzeitfähigen Betriebssystemen (z. B. real-time LINUX) hardwarenahe Aufgabenstellung mit (harten) Echtzeitanforderungen zu entwickeln.

Data Warehousing, OLAP und Business Intelligence

Semester	1
Typ	Wahlpflicht / Integrierte Lehrveranstaltung
ECTS	5
Prüfungsart	Mündliche oder Schriftliche Prüfung
Grundlagen: Analytische vs. direkte Datenverarbeitung – verschiedene Architekturen für verschiedene Anforderungen; Data Warehouse als ganzheitliches Depot analytischer Daten; Reale Anwendungsbeispiele von OLAP (Online Analytical Processing) Data-Warehouse-Systemen. Aufbau eines Data Warehouse: Methodik des Data-Warehouse-Implementierungsprozesses, Wahrung von Datenintegrität, Exaktheit und Vollständigkeit, ETL-Prozesse (extract-transform-load), Aufgabe und Sinn von Metadaten. Datenbankdesign für Date Warehouse: Anforderungen an Datenbanken bzgl. mehrdimensionaler Abfragen; Datenbanktechnologien für OLAP. Zweck und typische Anwendungsbereiche von Data Mining in Wissenschaft und Wirtschaft; Datenvorverarbeitung und Modellierung; Merkmalsidentifikation; Kritische Faktoren für erfolgreiches Data Mining; Data Mining-Prozess; Methodologien für Data Mining. Problemformulierung für Data Mining: Vorhersageprobleme; Clustering; Assoziationsregeln; Text Mining und Web Mining; Struktur- und Musteridentifikation in Zeitreihendaten. Algorithmen: Algorithmen zur Merkmalsselektion; Lineare Methoden für Regression und Klassifikation; Übungsteil: Schulung in der Benutzung einer kommerziellen OLAP-Entwicklungsumgebung.

Echtzeitsysteme und Echtzeitprogrammierung

Semester	1
Typ	Wahlpflicht / Integrierte Lehrveranstaltung
ECTS	5
Prüfungsart	Mündliche oder Schriftliche Prüfung
Einführung: Charakteristika von Echtzeitsystemen; Harte vs. weiche Echtzeitanforderungen. Echtzeit-Scheduling: Zeit- und Prioritätsgesteuertes Scheduling, Ressourcenverwaltung, Multiprozessor-Scheduling und Alternativen zum Multitasking. Echtzeit-Kerne. Kommunikation unter Echtzeitanforderungen: TCP/IP und Echtzeit und Feldbusse (Profibus, CAN Bus, Interbus-S, Felxray). Entwurfsmethoden für Echtzeitsysteme

Je nach Wahl: • Die AbsolventInnen kennen die verschiedenen Bereiche des Data Mining aus der Sichtweise der Problemstellung, sie haben aber auch einen Überblick über die verschiedenen Techniken und Algorithmen zur Lösung dieser Probleme. Ein breiter Überblick über verschiedene Algorithmen für überwachte und unüberwachte Lernaufgaben ermöglichen es dem Absolventen, eine geeignete Verfahrensauswahl und Parametrierung für eine konkrete Datenanalyseaufgabenstellung zu treffen. • Die AbsolventInnen sind in der Lage, komplexe Aufgabenstellungen der Bildverarbeitung zu analysieren und in Teilproblemen einer Lösung zuzuführen. Dabei kommen fortgeschrittene Methoden der Bildverarbeitung und Bildanalyse zur Anwendung, die in einer Prozesskette die automatisierte Erkennung und Analyse der Inhalte digitaler Szenarien ermöglichen. Sie können, basierend auf grundlegenden Methoden fortgeschrittene Konzepte der digitalen Bildverarbeitung verstehen und selbständig anwenden. Die Inhalte führen zu fundamentalen Algorithmen der Bilderkennung und -analyse.

Data Mining und Maschinelles Lernen

Semester	2
Typ	Wahlpflicht / Integrierte Lehrveranstaltung
ECTS	5
Prüfungsart	Mündliche oder Schriftliche Prüfung
Allgemeines: Zweck und typische Anwendungsbereiche von Data Mining in Wissenschaft und Wirtschaft; Datenvorverarbeitung und Modellierung; Merkmalsidentifikation; Kritische Faktoren für erfolg-reiches Data Mining; Data Mining-Prozess; Methodologien für Data Mining. Problemformulierung für Data Mining: Vorhersageprobleme; Clustering; Assoziationsregeln; Text Mining und Web Mining; Struktur- und Musteridentifikation in Zeitreihendaten. Algorithmen: Algorithmen zur Merkmalsselektion; Lineare Methoden für Regression und Klassifikation; Überblick über Algorithmen des Maschinellen Lernens (Entscheidungsbäume, Fallbasiertes Lernen, Regelbasiertes Lernen, Neuronale Netze); Evo-lutionäre Algorithmen; Clustering Algorithmen Strukturidentifikation und Zeitreihenanalyse. Induktive Datenbanken. Übungsteil: Verwendung der verschiedenen Data-Minig-Algorithmen anhand von Datensätzen aus der Praxis wie auch Benchmark-Datensätzen; Training im Umgang mit kommerzieller DM-Software

Fortgeschrittene Bildverarbeitung und -analyse

Semester	2
Typ	Wahlpflicht / Integrierte Lehrveranstaltung
ECTS	5
Prüfungsart	Mündliche oder Schriftliche Prüfung
Lineare Abbildungssysteme: Bildrestauration, Wiener Deconvolution. Bildverbesserung: Fundamentale Filter, Canny Edge Detektor, Scale Spaces, Pyramides, Adaptive Filters, Diffusionsmodelle zur Filterung. Segmentierung: Grundlegende Algorithmen, Mathematische Mor-phologie, Active Contours, deformierbare Modelle, Principal Com-ponents Analysis. Shape Repräsentation: Chain-Codes, Spline-Repräsentation. Bildfusion: Prokrustes_analyse, Korrelation, Chamfer-Matching. Texturanalyse: Statistische Methoden. Bildanalyse: Kontrollstrategien, seriell, parallel, hierarchisch, modelbasiert, bottom-up, Punktverteilungsmodelle, Semantische Segmentierung.

Je nach Wahl: • Die Studierenden kennen Herausforderungen und Probleme von Big Data hinsichtlich Indexing, Skalierbarkeit und der Verarbeitung über eine weite Reihe an Ressourcen-intensiven Settings. Sie lernen Big Data Stream Techniken und Algorithmen kennen, die die Analyse von großen Datenmengen in Streaming Environments ermöglichen und können mit verschiedenen Data Mining und Machine-Learning Techniken große Datenmengen verarbeiten sowie wertvolles Wissen extrahieren. Die Studierenden erlernen den Umgang mit ver-schiedenen Visualisierungskonzepten, die dem Nutzer die Struktur und die Zusammenhänge in komplexen Datenbeständen zugänglich und begreifbar machen. Die stark interdisziplinären Konzepte der visuellen Analytik stellen dem Nutzer interaktive Benutzerschnittstellen zur Verfügung zur Analyse und Visualisierung komplexer Zusammenhänge in großen Datenbeständen. • Die AbsolventInnen besitzen fundierte Kenntnisse über die Methoden des Knowledge Engineering und des Semantic Web. Das Modul vermittelt Kenntnisse über Methoden und Systeme für die Synthese von Wissensbasen (mit Standard Frameworks), über Techniken der Wissensmodellierung, über die Synthese von Ontologien, über Wissensakquisition, über Methoden für Information Retrieval, wie Indizierung, Kategorisierung und Klassifizierung von Texten mit Anwendungen im Semantik Web, speziell Anwendungen von Web Ontologien mit Ontologie-Modellierungssprachen und Ontologie-Lernmethoden, die dem Aufbau verteilter Wissensbasen dienen.

Big Data Analytics und Interaktive Visualisierung

Semester	3
Typ	Wahlpflicht / Integrierte Lehrveranstaltung
ECTS	5
Prüfungsart	Mündliche oder Schriftliche Prüfung
• Herausforderungen und Auswirkungen von Big Data bzgl. Daten-verarbeitung •Big Data Quellen, u.a. Social Media, (Sensor-)Netzwerke, Testreihen, Geodaten, Verkehrsdaten, Wetterdaten, Callcenter-Audio-daten, Überwachungsvideodaten,… • Big Data Stacks wie Google, Apache Hadoop, Amazon Web Services, Berkeley Data Analytics Stack • Methoden zur Komplexitätsreduktion für große Datenmengen • Locality Sensitive Hashing, Finden ähnlicher Elemente • Analyse von Datenströmen, Clustering für Datenströme und Parallelisierung • Frequent Itemsets z.B. Limited-Pass Algorithm, Randomized Algorithms • Beispielanwendungen wie Recommender-Systeme, Analyse von Sozialen-Netzwerk-Graphen, Sentiment- Analyse, Opinion Mining • Einführung Information Visualization und Anwendungen • Hochdimensionale Datenvisualisierung • Darstellungsformen für zeitanhängige Daten und Karten • Graph Visualisierungen (Bäume, Graphen, Netzwerke) • Web Visualisierung (D3 Tutorial & Visualisierungs Frameworks) • Interaktionstechniken und multiple coordinated views

Web-Semantik-Technologien

Semester	3
Typ	Wahlpflicht / Integrierte Lehrveranstaltung
ECTS	5
Prüfungsart	Mündliche oder Schriftliche Prüfung
Web-Semantik und Wissensbasen: Wissensengineering-Prozess; Wissensakquisition, Wissensvalidierung, Wissensrepräsentation, Inferencing, Wissenexplanation; Wissenquellen, domänen-abhängiges Konzeptualisieren und Strukturieren des Wissens. Wissensmodellierung und Repräsentierung: Sourcecentric Model und Query-centric Model; Konzept, Plan, Thesaurus, Ontologie (Domänenmodellierung), Ontologie-Beschreibungssprachen: OWL und RDF, Ontologie und Schema in Web: Einfache Ontologie, Strukturierte Ontologie, Ontologie-Akquisition, Querying RDF Data, Ontologie-Entwurfswerkezuge. Wissensakquisition: Semantische Suche im Web und Expertenwis-sen, Ontologie-basierter Wissenserwerb, Wissensrepräsentation für Texte, Dokumentationssprachen und Thesauri, Textrepräsentation für Modelle des Information Retrieval (IR), IR-Techniken und IR-Systeme, Nicht-probabilistische Methoden des IR: einfache und komplexe Modelle, probabilistische IR-Methoden, Multimedia-IR, Aufbau einer Suchmaschine, Techniken des Crawling, Typische Funktionen einer Suchmaschine, IR-Verfahren im Web; Wissensva-lidierung und Ontologie-Aktualisieren, semiautomatischer Aufbau von Ontologien, Wissensmanagement.

Die AbsolventInnen lernen die Techniken des wissenschaftlichen Arbeitens kennen und werden in die Lage versetzt, problemspezifisch die relevanten Wissensquellen auszuwählen und inhaltlich zu nützen. Die Lehrveranstaltung vermittelt die Kenntnisse, um eigenständig eine formal korrekte wissenschaftliche Arbeit zu erstellen und diese Arbeit in Kontext zum Stand der Technik zu setzen.

Wissenschaftliches Arbeiten

Semester	3
Typ	Pflicht / Seminar
ECTS	1
Prüfungsart	Immanente Beurteilung
Struktur u. Funktionen der Formen des wissenschaftlichen Arbeitens: Protokoll, Bericht, Thesenpapier, Diplomarbeit. Techniken des wissenschaftlichen Arbeitens: Wissenschaftliches Material; Recherche (z. B. in Bibliotheken, Katalogen, bei Verlagen und in Bibliogra-phien; Schneeballsystem, Suchstrategien); Karteisysteme; Techniken d. Materialdarstellung; Fremdmaterial, Belegen; Abkürzungen; Literaturverzeichnis; Konzeptionelle Planung; Themenwahl und -reflexion, Zeitplanung, Material, Darstellung, Literaturverwaltungs-programme.

Masterarbeitsseminar

Semester	4
Typ	Pflicht / Seminar
ECTS	4
Prüfungsart	Immanente Beurteilung
Forum zur Diskussion offener Fragen im Rahmen der Masterarbeit, Präsentation der Masterarbeit (Vortrag) und zur Diskussion der Ergebnisse.

Die AbsolventInnen lernen weitere Techniken des Schreibens einer wissenschaftlichen Arbeit kennen und setzen diese anhand der eigenen Arbeit um. Durch Unterstützung und Feedback seitens des/der Betreuers/Betreuerin vom FH-Studiengang ist ein schritt-weises Vorgehen mit kontinuierlicher Qualitätsverbesserung gesi-chert.

Masterarbeit

Semester	4
Typ	Pflicht / Masterarbeit
ECTS	25
Prüfungsart	Schriftliche Prüfung
Erstellen der wissenschaftlichen Masterarbeit; Dokumentieren dieser in Form der Masterschrift.

Die AbsolventInnen zeichneen sich durch folgende Fähigkeiten sowohl in englischer Sprache als auch im Bereich Sozialverhaltens aus: Teamarbeit, Umgang mit Fachliteratur, mündliche und schriftliche Präsentation von Arbeitsergebnissen und fachbezogenen Inhalten, mündliche und schriftliche Analyse von SE-relevanten Problemen, Diskutieren von Lösungen und Präsentieren von Ergebnissen sowie überzeugtes, selbstsicheres Auftreten in verschiedenen Situationen. In Form eines Trainings in Kleingruppen wird die Fähigkeit der Ab-solventInnen zur Teamarbeit weiter ausgebaut und in konkreten Fallbeispielen umgesetzt. In verstärktem Ausmaß wird dabei der Führungsfunktion Aufmerksamkeit geschenkt.

English Conversation

Semester	3
Typ	Pflicht / Seminar
ECTS	2
Prüfungsart	Immanente Beurteilung
Aus der Vielfalt von möglichen Themen in den anderen Lehrveranstaltungen werden aktuelle Themen ausgesucht und mit den Studierenden bearbeitet. Hauptsächlich – aber nicht exklusiv – durch Simulationen, Rollenspiele, Fallstudien, Gruppenarbeit, Arbeit in Paaren, Präsentieren, Diskutieren, Debatten sowie Video- bzw. Audioarbeit werden grammatikalische Schwerpunkte aufgefrischt und vertieft, der fachspezifische bzw. alltägliche Wortschatz erweitert und wichtige Redewendungen vermittelt, um eine Verbesserung des schriftlichen und mündlichen Ausdrucks zu erreichen.

Teamarbeitspraxis

Semester	4
Typ	Pflicht / Individualtraining
ECTS	1
Prüfungsart	Immanente Beurteilung
Herstellung eines Bezugs auf SK-Grundlagen im Bachelorstudien-gang. Merkmale in Teams (Gruppenkohäsion, Gruppennormen, motivationale Besonderheiten, gruppenpsychologische Phänomene, etc.). Phasen der Teamentwicklung (z. B. Blachard, Tuckman, Teamuhr von Francis/Young, etc.). Fokus auf die situationsbezogene Führung von Gruppen. Rollen in Teams (z. B. Schindler, Belbin, etc.). Konflikte in Teams, Motivation.