Studienplan

Der Studienplan des Masterstudiums Software Engineering besteht überwiegend aus technischen Lehrveranstaltungen, die Sie schrittweise auf Ihren Weg hin zum Software-Architekten bzw. zur Software-Architektin führen. Im Rahmen der beiden Wahlpflichtmodule A und B können Lehrveranstaltungen individuell ausgewählt werden. Dadurch können Sie bis zu 25% des Studienplans an Ihre persönlichen Interessen anpassen. In jedem Semester und in jedem Wahlpflichtmodul wählen Sie jeweils eine von zwei Lehrveranstaltungen aus und setzen so spezifische Schwerpunkte in unterschiedlichen Themen. Das vierte Semester am Ende des Studiums ist vorwiegend der Erstellung der Masterarbeit gewidmet.

Module

Technische und wissenschaftliche Grundlagen und Methoden

	1.	2.	3.
Software Architectures	5
Software Architectures Die Studierenden kennen den Unterschied zwischen Softwarear-chitektur und Softwaredesign sowie die Aufgaben von Software-Architektinnen im Unterschied zu Software-Entwicklerinnen. Sie können die Architektur von Softwaresystemen mit Hilfe von unter-schiedlichen Kriterien beurteilen und Methoden zur Messung dieser Kriterien anwenden. Bei der Konzeption und Entwicklung von Soft-ware können sie verschiedene Architekturstile und -muster unter-scheiden und umsetzen. Sie beherrschen außerdem unterschied-liche Beschreibungs- und Visualisierungsformen, um die Architektur eines Softwaresystems darstellen und kommunizieren zu können. Software Architectures Semester: 1 Typ: Pflicht, Vorlesung ECTS: 3 Prüfungsart: Schriftliche Prüfung Unterschied zwischen Architektur und Design, Maßzahlen zur Beurteilung der Modularität, Dekompositionstechni-ken, Identifikation und Beurteilung von Architektur Charakteristika, Trade-Off Analyse, Entwicklung und Überprüfung von Architecture Fitness Functions, Architectural Tests, Architekturstile (Schichten, Microkernel, Service-Based, Event-Driven, Space-Based, Microservices), Architecture Decision Records, Darstellung und Präsentation von Softwarearchitekturen Software Architectures Semester: 1 Typ: Pflicht, Übung ECTS: 2 Prüfungsart: Immanente Beurteilung Unterschied zwischen Architektur und Design, Maßzahlen zur Beurteilung der Modularität, Dekompositionstechni-ken, Identifikation und Beurteilung von Architektur Charakteristika, Trade-Off Analyse, Entwicklung und Überprüfung von Architecture Fitness Functions, Architectural Tests, Architekturstile (Schichten, Microkernel, Service-Based, Event-Driven, Space-Based, Microservices), Architecture Decision Records, Darstellung und Präsentation von Softwarearchitekturen
Service Engineering		5
Service Engineering Die AbsolventInnen verfügen über 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: 2 Prüfungsart: Schriftliche Prüfung Microservices (Architekturparadigma, Charakteristiken, Muster); Kubernetes (Komponenten, Pods, Services, Replika-Sets, Deployments); Jakarta Enterprise Edition (Philosophie, CDI, JSON-P/JSON-B, Validierung, JTA, JAX-RS); Eclipse MicroProfile; Message-oriented Middleware (Basiskonzepte; JMS und AMQP; RabbitMQ, Kafka); fortgeschrittene Web-Service-Konzepte (REST Maturity Model, HATEOAS, GraphQL); alternative Architek-turmuster für Enterprise-Anwendungen (CQS/CQRS, Event-Sourcing). Service Engineering Semester: 2 Typ: Pflicht, Übung ECTS: 3 Prüfungsart: Immanente Beurteilung Microservices (Architekturparadigma, Charakteristiken, Muster); Kubernetes (Komponenten, Pods, Services, Replika-Sets, Deployments); Jakarta Enterprise Edition (Philosophie, CDI, JSON-P/JSON-B, Validierung, JTA, JAX-RS); Eclipse MicroProfile; Message-oriented Middleware (Basiskonzepte; JMS und AMQP; RabbitMQ, Kafka); fortgeschrittene Web-Service-Konzepte (REST Maturity Model, HATEOAS, GraphQL); alternative Architekturmuster für Enterprise-Anwendungen (CQS/CQRS, Event-Sourcing).
Cloud Computing			5
Cloud Computing Die Absolventinnen lernen die Systemarchitektur der wesentlichen Cloud-Computing-Plattformen kennen und können so deren Einsatzmöglichkeiten einschätzen. Sie verfügen über fundierte Kenntnisse im Entwurf von hochskalierbaren Softwareanwendungen und können die relevanten Architekturmuster anwenden. Die Absolventinnen kennen die Programmiermodelle, verfügbaren Dienste der wesentlichen Cloud-Computing-Anbieter sowie alter-nativer Datenbankkonzepte und sind imstande, Cloud-Anwendun-gen für diese Plattformen zu konzipieren und effizient umzusetzen. Die Absolventinnen können auch die Konzepte von Disaster Recovery und Verfügbarkeit in konkreten Fragestellungen anwen-den. 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 Diskussion dieser erfolgt u.a. anhand konkreter Beispiele wie Google File System (GFS Colossus), 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 Cloud (Architektur, Services, Security, Quotas, Scheduling, Caching, Programmiermodell) - Microsoft Azure (Architektur, Fehlertoleranz, Prog- grammiermodell, 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. Rechtliche Aspekte des Cloud Computings (u.a. DSGVO, etc.) 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 Diskussion dieser erfolgt u.a. anhand konkreter Beispiele wie Google File System (GFS Colossus), 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 Cloud (Architektur, Services, Security, Quotas, Scheduling, Caching, Programmiermodell) - Microsoft Azure (Architektur, Fehlertoleranz, Prog- grammiermodell, 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. Rechtliche Aspekte des Cloud Computings (u.a. DSGVO, etc.)
Requirements Engineering, Specification and Verification	5
Requirements Engineering, Specification and Verification Die Absolventinnen verfügen über Grundlagenwissen über Auf-gaben und Methoden im Requirements Engineering. Sie kennen Grundprinzipien und verschiedene Methoden im klassischen und agilen Requirements Engineering. Sie können die Methoden aus-wählen und einsetzen, um Anforderungen an Software systematisch aus Kundenbedürfnissen zu ermitteln, im notwendigen Detaillierungsgrad zu beschreiben, dem Team zu kommunizieren und im Projektverlauf zu verwalten. Aufbauend auf die Anforderungs-analyse erwerben die Absolventinnen die Grundlagen, um Soft-waresysteme zu spezifizieren. Sie können das Vertragsmodell (Design by Contract) anwenden und partielle Korrektheit mittels Laufzeit-prüfung und Programmverifikation nachweisen. Zusätzlich können Sie temporale Eigenschaften für nebenläufige Systeme spezifizieren und prüfen (Model Checking). Requirements Engineering, Specification and Verification Semester: 1 Typ: Pflicht, Vorlesung ECTS: 3 Prüfungsart: Schriftliche Prüfung Requirements Engineering: Grundlagen zu Requirements Engineering, Ermittlungsmethoden (z. B. Contextual Inquery, Interviews, Checklisten), Dokumentations-methoden (z.B. UML, Use Cases, Lastenheft/Pflichtenheft), Qualitätskriterien für gute Anforderungen, Review-techniken, Methoden des Agilen Requirements Engi-neering (z. B. Impact Map, User Stories, Backlogs), Requirements Tools, Anforderungen im LifeCycle, Aktuelle Forschung im Requi-rements Engineering. Spezifikation u. Verifikation: Vertragsmodell (Design by Contract) mit Vor-, Nachbedingungen und Invarianten für Java-Software. Beweisen partieller Korrektheit mit dem Hoare-Kalkül und schwächsten Vorbedingungen. Laufzeitprüfung mittels Assertionen in Kombination mit Unit-Tests. Modellieren nebenläufiger Systeme und deren Systemeigenschaften mit LTL (lineare temporale Logik). Moderne Spezifikationssprachen (Java Modeling Language, Promela) und darauf anwendbare Werkzeuge (OpenJML und Spin Model Checker). Requirements Engineering, Specification and Verification Semester: 1 Typ: Pflicht, Übung ECTS: 2 Prüfungsart: Immanente Beurteilung In den Übungen werden ausgewählte Aspekte exemplarisch selbständig angewandt und Ergebnisse und Erkenntnisse gemeinsam diskutiert.
Formal Languages and Compilers		5
Formal Languages and Compilers Die Absolventinnen verfügen über theoretisches Wissen aus den Bereichen der Formalen Sprachen und der Automatentheorie sowie praktische Kompetenzen aus dem Bereich des Compilerbaus. Das ermöglicht es ihnen, nicht nur selbst neue Sprachen zu defi-nieren und Compiler(-teile) oder syntaxgesteuerte Werkzeuge dafür zu bauen, sondern auch die gerade im Bereich der generativen Programmierung notwendigen Frameworks und Werkzeuge zu verstehen, nutzbringend anzuwenden und solche zu erweitern oder selbst zu entwickeln. Formal Languages and Compilers Semester:* 2 Typ: Pflicht, Vorlesung ECTS: 3 Prüfungsart: Schriftliche Prüfung Formale Sprachen: Begriffe und Definitionen (z. B. Symbol, Regel, Grammatik, Sprache, Ableitung, Reduktion), Übersicht über die 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. Zwi-schensprachen, Methoden der Optimierungen und Codegenerierung. Formal Languages and Compilers Semester: 2 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 Anwendung von Compiler-Generatoren und der vollständigen Implementierung einer einfachen Beispielsprache in Form eines echten Compilers, der Bytecode (CIL) für die virtuelle .Net-Maschine (CLR) erzeugt, geübt.
Site Reliability Engineering and DevOps			5
Site Reliability Engineering and DevOps Studierende kennen die Grundlagen, wesentlichen Prinzipien und modernen Methoden eines kontinuierlichen Software-Ausliefe-rungsprozesses. Sie wissen, wie dieser Prozess automatisiert, über-wacht und optimiert werden kann und können CI/CD-Pipelines mit aktuellen Werkzeugen realisieren. Studierende können moderne Prinzipien und Methoden anwenden, mit denen die Entwicklung und der Betrieb von Softwaresystemen eng verzahnt und durch die der Betrieb von Softwaresystemen überwacht und verbessert werden kann, um die Zuverlässigkeit, Skalierbarkeit und Effizienz zu erhöhen. Site Reliability Engineering and DevOps Semester: 3 Typ: Pflicht, Vorlesung ECTS: 2 Prüfungsart: Schriftliche Prüfung Grundlagen zu DevOps, Continuous Integration und Continuous Delivery, Methoden zur automatisierten Auslieferung neuer Anwendungsversionen (Quality Gates, Rollout Strategies, Orchestration Services, ...), Methoden zur deklarativen Beschreibung von Infrastruktur (Infrastructure as Code), Strategien für selbstheilende Systeme, Observability, Monitoring/Tracing/Tracking, Incident-Management und Postmorten Analysen, Reliability Testing, Chaos Engineering, Ausblick zu neuen Methoden wie NoOps, GitOps oder DevSecOps. Site Reliability Engineering and DevOps Semester: 3 Typ: Pflicht, Übung ECTS: 3 Prüfungsart: Immanente Beurteilung In den Übungen werden ausgewählte Aspekte, Methoden und Werkzeuge exemplarisch selbständig angewandt und Ergebnisse und Erkenntnisse gemeinsam diskutiert.
Functional and Reactive Programming	5
Functional and Reactive Programming Der/Die Absolventin kennt die Grundkonzepte der funktionalen und reaktiven Programmierung und kann diese einsetzen, um robuste, skalierbare und fehlerresistente Softwaresysteme zu entwickeln. Er/Sie versteht die Probleme, die aus traditionellen Herangehens-weisen (Seiteneffekte, blockierende Systeme, Race Condtions, Deadlocks) resultieren, kann aber auch die Grenzen der neuen Ansätze einschätzen. Er/Sie kann die Konzepte mithilfe der behan-delten Technologien effizient umsetzen, ist aber auch in der Lage, das Programmierparadigma der funktionalen und reaktiven Pro-grammierung auf andere Sprachen und Frameworks anzuwenden. Functional and Reactive Programming Semester:* 1 Typ: Pflicht, Vorlesung ECTS: 2 Prüfungsart: Schriftliche Prüfung Funktionale Programmierung: generische Datentypen, Funktionstypen und Lambda-Ausdrücke, Programmieren ohne Seiteneffekte, Funktionen höherer Ordnung, Arbeiten mit Funktionsparametern, Funktions-komposition, Funktoren und Monaden, Arbeiten mit funktionalen Streams, parallele Verarbeitung von Streams. Reaktive Programmierung: Grundkonzepte (Responsivität, Nachrichtenorientiertheit, Widerstandfähigkeit, Skalier-barkeit), traditionelle Konzepte für nebenläufige Programmierung (Prozesse und Threads, Synchronisation, Thread-Pools); Futures und Promises (Callbacks, Hintereinanderausführung von Futures); Reaktive Ströme (Grundprinzipien der strom-basierten Verarbeitung, Backpressure, Akka Streams, nebenläufige Ausführung, Fehlerbehandlung); Aktoren (Grundkonzepte und Programmiermodell, Entwurf von Aktorsystemen, Muster, Aktor-Supervision, verteilte Programmierung mit Aktoren). Functional and Reactive Programming Semester: 1 Typ: Pflicht, Übung ECTS: 3 Prüfungsart: Immanente Beurteilung Funktionale Programmierung: generische Datentypen, Funktionstypen und Lambda-Ausdrücke, Programmieren ohne Seiteneffekte, Funktionen höherer Ordnung, Arbeiten mit Funktionsparametern, Funktions-komposition, Funktoren und Monaden, Arbeiten mit funk-tionalen Streams, parallele Verarbeitung von Streams. Reaktive Programmierung: Grundkonzepte (Responsivität, Nachrichtenorientiertheit, Widerstandfähigkeit, Skalierbarkeit), traditionelle Konzepte für nebenläufige Programmierung (Prozesse und Threads, Synchronisation, Thread-Pools); Futures und Promises (Callbacks, Hintereinanderausführung von Futures); Reaktive Strö-me (Grundprinzipien der strom-basierten Verarbeitung, Backpressure, Akka Streams, nebenläufige Ausführung, Fehlerbehandlung); Aktoren (Grundkonzepte und Programmiermodell, Entwurf von Aktorsystemen, Muster, Aktor-Supervision, verteilte Programmierung mit Aktoren).
Multicore-Programming and Distributed Computing		5
Multicore-Programming and Distributed Computing Absolventinnen erkennen Parallelität in Mehrprozessor- und Mehr-rechnersystemen als ein Mittel zur Leistungssteigerung in Com-putersystemen (High-Performance-Computing) sowie die Rand-bedingungen, unter denen diese Leistungssteigerung zu erzielen ist. Sie kennen Programmierparadigmen und Architekturmuster, mit denen robuste skalierbare Softwaresysteme entwickelt werden können. Sie können zu relevanten Problemen der Informatik die Anwendbarkeit von paralleler Verarbeitung einschätzen und sind in der Lage, parallele Anwendungen selbstständig gemäß ingenieurs- mäßiger Vorgehensweisen zu entwerfen und umzusetzen. Multicore-Programming and Distributed Computing Semester:* 2 Typ: Pflicht, Vorlesung ECTS: 2 Prüfungsart: Schriftliche Prüfung Message Passing: Distributed-Memory Programming (Intro, Principles 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. Multicore-Programming and Distributed Computing Semester: 2 Typ: Pflicht, Übung ECTS: 3 Prüfungsart: Immanente Beurteilung Message Passing: Distributed-Memory Programming (Intro, Principles 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.
Current Specializations			3
Current Specializations Die Absolventinnen verfügen über zusätzliche technische Kompe-tenzen in einem aktuellen Bereich des Software Engineering. Current Specializations Semester:* 3 Typ: Pflicht, Integrierte Lehrveranstaltung ECTS: 3 Prüfungsart: Mündliche oder Schriftliche Prüfung In der Lehrveranstaltung werden aktuelle Themen aus den Bereichen Softwareentwicklung und Softwarearchitektur behandelt, wie beispielsweise: • Quantencomputing • Domain Driven Design • Entwicklung langlebiger Softwarearchitekturen • Micro Frontends • Empirical Software Engineering • Value-based Engineering • KI-gestützte Softwareentwicklung Der Inhalt der Lehrveranstaltung wird laufend angepasst, um aktuellen Themen im Curriculum Platz zu bieten. Insbesondere bietet diese Lehrveranstaltung auch den erforderlichen Raum, um aktuelle Themen und Ergebnisse aus der Forschung der FH OÖ in die Lehre einzubringen.

Wahlpflichtmodule A (je Semester ist ein Modul zu wählen)

	1.	2.	3.
Heuristic and Evolutionary Algorithms	5
Heuristic and Evolutionary Algorithms Die Studierenden verfügen über Konzepte der Modellierung, Analyse und Optimierung technischer, wirtschaftlicher und industrieller Systeme und können heuristische und evolutionäre Algorithmen zur Modellierung, Analyse und Optimierung von Aufgabenstellungen hauptsächlich in der Produktions- und Logistikoptimierung ein-setzen. Im praktischen Teil des Moduls wird mit dem Optimierungs-framework HeuristicLab die Fähigkeit erworben, für konkrete Fra-gestellungen geeignete Methoden auszuwählen und diese vorteil-haft zu konfigurieren. Heuristic and Evolutionary Algorithms 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.
Modeling and Simulation	5
Modeling and Simulation Die Studierenden verfügen über Konzepte der Modellierung, Analyse und Optimierung technischer, wirtschaftlicher und industrieller Systeme und haben solide Kenntnisse in der Methodik des Aufbaus mathematischer Modelle für verschiedene Typen von Systemen (kontinuierliche und diskrete) sowie Methoden und Algorithmen für die Lösungen der Optimierungsprobleme in verschiedenen Domänen. Modeling and Simulation Semester: 1 Typ: Wahlpflicht, Integrierte Lehrveranstaltung ECTS: 5 Prüfungsart: Mündliche oder Schriftliche Prüfung Taxonomie der Systemmodelle, Kontinuierliche, diskrete, deterministische und stochastische Modelle. Taxonomie der Optimierung. Lineare und nichtlineare Opti-mierungsalgorithmen, Diskrete Systeme: Petri-Netze, Discrete Event Systems (DEVS) und ganzzahlige Opti-mierungsalgorithmen, Kombinatorische Optimierungs-algorithmen, Branch&Bound- u. Branch&Cut-Verfahren. Stochastische Systemmodelle und Optimierungs-probleme: 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 Übungsteilen erfolgt synchron zum Vorlesungsteil die praktische Erarbeitung und Behandlung der Lehrinhalte.
Artificial Intelligence		5
Artificial Intelligence Die Absolventinnen verfügen über fundierte Kenntnisse in der Me-thodologie und den Methoden der Entwicklung von intelligenten Softwaresystemen. Sie verfügen über direkt umsetzbare Kennt-nisse im Aufbau intelligenter Systeme unter Verwendung deduktiver Methodologien und Methoden der künstlichen Intelligenz. Artificial Intelligence Semester:* 2 Typ: Wahlpflicht, Integrierte Lehrveranstaltung ECTS: 5 Prüfungsart: Mündliche oder Schriftliche Prüfung Architekturen und Aufbau intelligenter Systeme, Suchalgorithmen, Heuristiken, Constraint-Satisfaction-Probleme, Aussagen- und Prädikatenlogik als Repräsentations- und Inferenzsprache, Planungs-algorithmen, Wissensrepräsentation und Inferenz in stochastischen Umgebungen mit Bayesianischen Netzen und Markov-Ketten, Lernen von Aktionsauswahl in deterministischen und stochastischen Umgebungen durch Reinforcement Learning.
Secure and Fault Tolerant Software		5
Secure and Fault Tolerant Software Die Absolventinnen erkennen herkömmliche Bedrohungen sowie die aktuelle Bedrohungslage aus technischer (z. B. Hacker, Botnetze, Echelon), rechtlicher (z. B. PCI DSS, DSG, 8. EU Richtlinie, IT-Compli-ance) und menschlicher (z. B. Social Engineering) Sicht. Sie verfügen über die Fähigkeiten und Fertigkeiten, die zum Entwurf und zur Ent-wicklung sicherer, verlässlicher und test- sowie wartbarer Software notwendig sind. Secure and Fault Tolerant Software Semester:* 2 Typ: Wahlpflicht, Integrierte Lehrveranstaltung ECTS: 5 Prüfungsart: Mündliche oder Schriftliche Prüfung Überblick über die wichtigsten Lösungen im technischen (z. B. Firewall, Virenschutz, Spam, Backup, Access Control, VPN, Möglichkeiten im Design von Sicherheitsinfra-struktur), im persönlichen (z. B. Benutzer Awareness) sowie im organisatorischen (z. B. Common Criteria, BSI GSHB, ISO27001, IT Governance) Bereich. Kurz Grund-lagen: IT-Sicherheitsprozess, Sicherheitsmodelle, Maß-nahmen (AAA, Kryptografie); Bedrohungen: Sicherheits-bedrohungen, Vermeidungstechniken; Modellierung von Sicherheit in Software-Systemen: Treat Modeling; Sicher-heitsaspekte moderner Entwicklungsplattformen; Fehlertoleranz in Softwaresystemen: Exception Handling, Protokollierung, Fail-Over-Systeme, Fehlertolerante Kommunikationsprotokolle.
Alternative Programming Paradigms			5
Alternative Programming Paradigms Die Studierenden sind mit Konzepten der Programmierung vertraut, die außerhalb des gängigen Kanons der komponenten/objektorien-tierten Ausbildung liegen, und besitzen fundierte Kenntnisse über die Grundlagen funktionaler, logischer und objektorientierter Pro-grammierparadigmen. Alternative Programming Paradigms 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 Problemlösungsmöglich-keiten durch die verschiedenen Paradigmen (und Sprachen). Imperative und objekt-orientierte Pro-grammierung werden als bekannt vorausgesetzt; verschiedene Ausprägungen des objektorientierten Paradigmas werden anhand von Eigenheiten der Sprachen wie Ruby und Io diskutiert. Im funktionalen Paradigma werden die Unterschiede von rein funktionalem Pro-grammieren und imperativen Programmiersprachen anhand der Beispielsprachen Clojure, Scala, Elixir und Haskell herausgearbeitet. Dabei werden solche Konzepte wie Aktoren, futures, Endrekursion, pattern matching, message passing, mixins, traits, lazy evaluation und viele mehr präsentiert und anhand von Codebeispielen diskutiert. Im logischen Paradigma wird anhand von Prolog gezeigt, wie man durch Trennung von Programm-logik und ausführenden Kontrolle eine andere Sichtweise des Programmierens erhält.
Neural Networks and Deep Learning			5
Neural Networks and Deep Learning Die Absolventinnen verfügen über fundierte Kenntnisse in der Me-thodologie und den Methoden der Entwicklung von intelligenten Softwaresystemen und verfügen über direkt umsetzbare Kenntnisse im Aufbau intelligenter Systeme unter Verwendung induktiver Methodologien und lernbasierter Methoden mit Einsatz von neuro-nalen Netzen und Deep Learning. Neural Networks and Deep Learning Semester:* 3 Typ: Wahlpflicht, Integrierte Lehrveranstaltung ECTS: 5 Prüfungsart: Mündliche oder Schriftliche Prüfung Architekturen selbstlernender Systeme, Schichten und Komponenten; Induktive Methodik des Entwurfs von intelligenten Systemen; das Neuron und die Synapse; formale Modelle der Neuronen; Aktivierungs- und Ausgabefunktionen; Neuronale Netze; Synaptische Modifikation und Lernen, Lerngesetze; Lernen als Fehlerminimierung; Feedforward-Netzwerke; Fehlerfunktionen, Backpropagation und Varianten; Faltung und Faltungsnetze; Repräsentation Learning; Fehlerfunktionen, Schichten und Aktivierungsfunktionen im deep learning; rekurrente neuronale Netze und das vanishing gradient Problem; LSTM und GRU-Zellen; Generative Adversarial Networks.

Wahlpflichtmodule B (je Semester ist ein Modul zu wählen)

	1.	2.	3.
Data Warehousing, OLAP and Business Intelligence	5
Data Warehousing, OLAP and Business Intelligence Die Absolventinnen besitzen fundierte Kenntnisse in den Konzep-ten und Methoden des Data Warehousing sowie der Datenvorver-arbeitung für anknüpfende Analysen im Sinne Data Mining/Ma-schinellen Lernens. Beginnend von der Sichtweise auf Daten-bankebene verfügen sie nach Absolvierung des ersten Teils des Moduls über Grundkenntnisse des Data Warehousing wie Daten-beschaffung, Datenvorverarbeitung, OLAP (Online Analytical Pro-cessing) bzw. Datenbankdesign für Data Warehouse. Data Warehousing, OLAP and Business Intelligence Semester:* 1 Typ: Wahlpflicht, Integrierte Lehrveranstaltung ECTS: 5 Prüfungsart: Mündliche oder Schriftliche Prüfung Grundlagen: Analytische vs. direkte Datenverarbeitung – verschiedene Architekturen für verschiedene Anfor-derungen; 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 Wis-senschaft 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 kommer-ziellen OLAP-Entwicklungsumgebung.
Mobile and Ubiquitous Systems	5
Mobile and Ubiquitous Systems Die Absolventinnen kennen die Spezifika mobiler und ubiquitärer Systeme und beherrschen den Umgang mit Konzepten und Techno-logien für den Entwurf und für die Implementierung solcher Sys-teme in aktuellen Anwendungsbereichen. Mobile and Ubiquitous Systems Semester:* 1 Typ: Wahlpflicht, Integrierte Lehrveranstaltung ECTS: 5 Prüfungsart: Mündliche oder Schriftliche Prüfung Sprachbasierte Systeme • Sprachsignal • Text to Speech (TTS) • Spracherkennung • Voice User Interface Design Weitere Natürliche Benutzerschnittstellen (NUI): • Evolution von Benutzerschnittstellen, Gesten, Taxonomie • Konzepte und Geräte: Haptische Systeme, berührungs- lose Systeme, Elektromyographie, inertiale Sensoren (IMU), Radar, diverse Display-Systeme, etc. • Gesten und Gestenerkennung sowie Algorithmen (bspw. 1$, Dynamic Time Warping/DTW, Rubine) Ambient Intelligence • Indoor- und Outdoor-Lokalisierung: Konzepte und Lö- sungen (bspw. Galileo, GPS, AGPS, DGPS, RFID, BLE Beacons) Internet der Dinge (IoT) • Einführung, Anwendungsbeispiele zu Edge, Fog und Cloud Computing sowie Hardware-Plattformen (z.B. Arduino, Raspberry Pi) • Relevante Funktechnologien • Message Queuing Telemetry Transport (MQTT) • Routing-Algorithmen: AMRIS, SPIN, Daten-zentriertes Routing, Directed Diffusion, Geographic Routing, Greedy Perimeter Stateless Routing • Data Storage & Retrieval: Data Centric Storage (z.B. Geographic Hash Tables), Sensor Network Databases • Strategische Überlegungen
Data Mining and Machine Learning		5
Data Mining and Machine Learning 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 den Absolventinnen, eine geeignete Verfahrens-auswahl und Parametrierung für eine konkrete Datenanalyseauf-gabenstellung zu treffen. Data Mining and Machine Learning Semester: 2 Typ: Wahlpflicht, Integrierte Lehrveranstaltung ECTS: 5 Prüfungsart: Mündliche oder Schriftliche Prüfung Überblick über charakteristische Data Mining Aufgabenstellungen, Kategorisierung der Aufgabenstellungen, Komplexität von Hypothesen-räumen, Overfitting, Underfitting, Verwendung von Trainings- Validierungs- und Testdaten, Crossvalidation Finds und Candidate elimination Algorithmen, Entscheidungsbäume, Fallbasiertes Lernen, Regelbasiertes Lernen, Neuronale Netze, Ensemble Techniken. Genetische Programmierung, Symbolische Regression, Symbolische Klassifikation. Übungsteil: Verwendung der verschiedenen Data-Mining-Algorithmen anhand von Datensätzen aus der Praxis wie auch Benchmark-Datensätzen; Training im Umgang mit den DM Softwarepaketen WEKA und HeuristicLab.
Advanced Image Processing and -analysis		5
Advanced Image Processing and -analysis Die Absolventinnen sind in der Lage, komplexe Aufgabenstellun-gen aus z.B. Bildverarbeitung, Computer Vision, Tracking Techno-logien sowie 3D Rekonstruktion zu analysieren und in Teilproblemen einer Lösung zuzuführen. Dabei kommen fortgeschrittene Methoden der Bildverarbeitung, Bildanalyse und Computer Vision zur Anwendung, um die automatisierte Erkennung und Analyse der Inhalte digitaler Szenarien zu ermöglichen. Sie können die erlernten Methoden und Konzepte durch Zuhilfenahme von Frameworks selbständig anwenden. Die Studierenden können in angewandten Domänen der Computer Vision den Stand der Technik einschätzen. Advanced Image Processing and -analysis Semester:* 2 Typ: Wahlpflicht, Integrierte Lehrveranstaltung ECTS: 5 Prüfungsart: Mündliche oder Schriftliche Prüfung Lineare Abbildungssysteme: Kamera-Kalibrierung, Bildrestauration (Wiener, Richardson-Lucy Deconvolution) 3D Rekonstruktion: Silhouette, Epipolar, 3D Sensor, Bildverbesserung: Adaptive Filter, Diffusionsmodelle zur Filterung, Feature-Analyse (SIFT) und Trajektorie. Segmentierung: Graph cut/segmentation, Statistische Formmodelle, Template Matching. Auszug aus den Themenblöcken: - Bildfusion: Image Stitching und Stereo-Matching - Computer Vision Anwendungen am Stand der Technik: OCR, Gesichtserkennung, OpenPose, Segmentierung, Klassifikation, Datensynthese (GAN) - Image Restauration mittels adaptiver Filter - 3D Rekonstruktion aus planaren Bilddaten Übungen: gemeinsame Übungen mit Referenzdatensätzen und OpenCV, Semesterprojekte mit praktischer Relevanz je nach Thema unter Verwendung von Matlab, MeVisLab, Analyze, OpenCV, Keras/Tensorflow o.Ä.
Big Data Analytics and Interactive Visualization			5
Big Data Analytics and Interactive Visualization 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 lernen, welche Visualisierungstech-niken für welche Datenstrukturen und Aufgaben sinnvoll sind und wie diese durch den Einsatz geeigneter visueller Variablen effizient gestaltet werden können. Zudem wird die Rolle von Interaktion in der visuellen Datenanalyse thematisiert und praktische Kompetenzen in der Analyse eines gewählten Datensatzes und der Umsetzung eines interaktiven Visualisierungsprototypen erworben. Big Data Analytics and Interactive Visualization Semester: 3 Typ: Wahlpflicht, Integrierte Lehrveranstaltung ECTS: 5 Prüfungsart: Mündliche oder Schriftliche Prüfung • Herausforderungen und Auswirkungen von Big Data bzgl. Datenverarbeitung • Big Data Quellen, u.a. Social Media, (Sensor-)Netzwerke, Testreihen, Geodaten, Verkehrsdaten, Wetterdaten, Callcenter-Audiodaten, 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 und Anwendungsgebiete der Informations-visualisierung • Datentypen und -strukturen • Aufgaben- und Datenabstraktion • Grundlagen der visuellen Wahrnehmung & Guidelines für Informationsvisualisierungen • Visualisierungstechniken (Visualisierung für hochdi-mensionale Daten, sowie für temporale, geografische und relationale semanti-sche Strukturen) • Interaktionstechniken (z.B. Zooming, Filtering, Brushing & Linking, Multiple Coordinates Views) • Interpretation von Visualisierungen und Misleading Visualizations • Web-Frameworks für Visualisierungen (Observable/D3.js, Vegalite)
Semantic Web Technologies			5
Semantic Web Technologies 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 Tech-niken 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. Semantic Web Technologies 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: Source-centric 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 Expertenwissen, Ontologie-basierter Wissenserwerb, Wissensrepräsentation für Texte, Dokumentations-sprachen 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; Wissensvalidierung und Onto-logie-Aktualisieren, semiautomatischer Aufbau von Ontologien, Wissensmanagement.

Projekte

	1.	2.	3.
Software Project Engineering	5	5
Software Project Engineering Die Absolventinnen verfügen über die Fähigkeit, 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 Project Engineering: Project – Part 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 Software Project Engineering: Project – Part 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
Master’s Thesis Project			4
Master’s Thesis Project Die Absolventinnen verfügen über die Fähigkeit, die erarbeitete Theorie und die selbständig umgesetzte Methodik in strukturierter Form aufzubereiten und die Erkenntnisse und Ergebnisse in Vor-tragsform einem Fachpublikum näher zu bringen. Master´s Thesis Project Semester:* 3 Typ: Pflicht, Projekt ECTS: 4 Prüfungsart: Immanente Beurteilung Inhaltliche, projektbezogene Vorarbeiten für die Master-arbeit (einzeln oder in einer kleinen Gruppe) sowie Präsentationen der Studierenden über den Fortschritt bei der Bearbeitung des Themas der Masterarbeit.

Fächer im Bereich Management

	1.	2.	3.	4.
Management			2	1
Management Die Absolventinnen besitzen grundlegende Kenntnisse über den Aufbau eines eigenen Unternehmens. Sie erlernen grundlegende Werkzeuge zur Ideenfindung und -entwicklung, des Business Model Canvas und des Business Plans. Sie kennen grundlegende Strukturen des österreichischen Startup-Ökosystems, Förderwesens und Investorenlandschaft. Grundlegende Kenntnisse über Märkte, Marktforschung und Trends werden vermittelt. Sie kennen Methoden der erstmaligen Marktanalyse und Marktforschung und der Unternehmensentwicklung. Die Absolventinnen können unterschiedliche Verhandlungsstile unterscheiden und können Methoden der Verhandlungsführung und Argumentation anwenden. Sie sind im Stande, schwierige Verhandlungssituationen zu meistern und mit einer wertschätzen-den Rhetorik für beide Seiten zufriedenstellende Ergebnisse zu er-zielen. Entrepreneurship Semester: 3 Typ: Pflicht, Integrierte Lehrveranstaltung ECTS: 2 Prüfungsart: Mündliche oder Schriftliche Prüfung Grundlagen des Entrepreneurship; Ideenfindung und Kreativitätstechniken; Marktanalyse und Trendforschung in der IT; Problem Solution Fit, Design Thinking; klassischer Businessplan, Geschäftsmodelle für IT-Startups (Business Model Canvas); Pitching; Finanzierung (Investoren); Rechtliche Aspekte; (Digital) Marketing und Vertrieb für Tech-Startups Negotiation Techniques Semester: 4 Typ: Pflicht, Individualtraining ECTS: 1 Prüfungsart: Mündliche oder Schriftliche Prüfung Verhandlungsstile; Wertschätzende Haltung in der Verhandlungssituation; Effizienter Umgang mit Killer-phrasen; Positive Rhetorik, Einwandbehandlung, Argumentation und Verhandlungsführung, Effiziente Vorbereitung und erfolgreiche Durchführung einer Ver-handlung, Checkliste für eine gekonnte Vorbereitung, Schwierige Situationen mit Selbstsicherheit meistern, Harvard Konzept; Das effiziente Verhandlungsgespräch, Kreieren von Ergebnissen, die beide Seiten zufrieden stellen (Win-Win-Situationen), den Verhandlungspartner besser verstehen, Verhandlungsabschluss, Überprüfung und Weiterentwicklung des eigenen, derzeitigen Ver-handlungsstils

Masterarbeit und -prüfung

	3.	4.
Master’s Thesis Seminar	1	4
Master’s Thesis Seminar Die Absolventinnen kennen die Techniken des wissenschaftlichen Arbeitens 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. Scientific Writing Semester:* 3 Typ: Pflicht, Seminar ECTS: 1 Prüfungsart: Immanente Beurteilung Struktur u. Funktionen der Formen des wissenschaftlichen Arbei-tens: Protokoll, Bericht, Thesenpapier, Masterarbeit. Techniken des wissenschaftlichen Arbeitens: Wissen-schaftliches Material; Recherche (z. B. in Bibliotheken, Katalogen, bei Verlagen und in Bibliografien; Schneeball-system, Suchstrategien); Karteisysteme; Techniken d. Materialdarstellung; Fremdmaterial, Belegen; Abkürzungen; Literaturverzeichnis; Konzeptionelle Planung; Themenwahl und -reflexion, Zeitplanung, Material, Darstellung, Literaturverwaltungsprogramme. Master’s Thesis Seminar Semester: 4 Typ: Pflicht, Seminar ECTS: 4 Prüfungsart: Immanente Beurteilung Forum zur Diskussion offener Fragen im Rahmen der Masterar-beit, Präsentation der Masterarbeit (Vortrag) und zur Diskussion der Ergebnisse.
Master’s Thesis		25
Master’s Thesis Die Absolventinnen kennen weitere Techniken des Schreibens einer wissenschaftlichen Arbeit und setzen diese anhand der eigenen Arbeit um. Durch Unterstützung und Feedback seitens Betreuer in vom FH-Studiengang ist ein schrittweises Vorgehen mit kontinuierlicher Qualitätsverbesserung gesichert. Master´s Examination Semester: 4 Typ: Pflicht, Abschlussprüfung ECTS: 1 Prüfungsart: Mündliche Prüfung Master’s Thesis Semester: 4 Typ: Pflicht, Masterarbeit ECTS: 24 Prüfungsart: Schriftliche Prüfung Erstellen der wissenschaftlichen Masterarbeit; Dokumentieren dieser in Form der Masterschrift.

Kontakt

E-Mail se@fh-hagenberg.at

Telefon +43 5 0804 22000

Quick Links

Campus Hagenberg

Master-Studiengänge am Campus Hagenberg

Alle 77 Studiengänge der FH OÖ