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.
Requirements Engineering und DevOps	5
Requirements Engineering und DevOps Die Absolventinnen erwerben Grundlagenwissen über Aufgaben und Methoden im Requirements Engineering. Sie kennen Grund-prinzipien und verschiedene Methoden im klassischen und agilen Requirements Engineering. Sie können die Methoden auswählen und einsetzen, um Anforderungen an Software systematisch aus Kundenbedürfnissen zu ermitteln, im notwendigen Detaillierungs-grad zu beschreiben, dem Team zu kommunizieren und im Pro-jektverlauf zu verwalten. Aufbauend auf die Anforderungsanalyse erwerben die Absolventinnen die Grundlagen und moderne Me-thoden eines kontinuierlichen Software-Auslieferungsprozesses. Dabei wird der Fokus auf Methoden gelegt, welche einen hohen Automatisierungsgrad erlauben, um die Auslieferungszeit zu be-schleunigen. Requirements Engineering und DevOps Semester: 1 Typ: Pflicht, Vorlesung ECTS: 3 Prüfungsart: Schriftliche Prüfung Requirements Engineering: Grundlagen zu Requirements Engineering, Ermittlungsmethoden (z. B. Contextual Inquery, Interviews, Checklisten), Dokumentationsmethoden (z.B. UML, Use Cases, Lastenheft/Pflichtenheft), Qualitätskriterien für gute Anforderungen, Reviewtechniken, Methoden des Agilen Requirements Engineering (z. B. Impact Map, User Stories, Backlogs), Requirements Tools, Anforderungen im LifeCycle, Aktuelle Forschung im Requirements Engineering. DevOps: 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, Ausblick zu neuen Methoden wie NoOps, GitOps oder DevSecOps. Requirements Engineering und DevOps 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.
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 SOA und 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 SOA und 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 Ein-satzmöglichkeiten 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 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. 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), 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. Rechtliche Aspekte des Cloud Computings (u.a. DSGVO, etc.)
Formale Sprachen, Compiler- und Werkzeugbau	5
Formale Sprachen, Compiler- und Werkzeugbau 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 definieren und Compiler(-teile) oder syntaxgesteuerte Werkzeuge dafür zu bauen, sondern auch die gerade im Bereich der generativen Pro-grammierung notwendigen Frameworks und Werkzeuge zu verste-hen, nutzbringend anzuwenden und solche zu erweitern 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 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. 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 Anwendung von Compiler-Generatoren und der vollständigen Implementierung einer einfachen Beispielsprache (Teilmenge von C++) in Form eines echten Compilers, der Bytecode (CIL) für die virtuelle .Net-Maschine (CLR) erzeugt, geübt.
Generative Programmierung		5
Generative Programmierung Die Absolventinnen wenden das Wissen, die Fähigkeiten und Fertigkeiten aus dem Modul FCW nicht nur für Compiler und Werk-zeuge, sondern auch für das Generieren von Software(teilen) an. Sie verstehen es, die notwendigen Frameworks und Werkzeuge nutzbringend anzuwenden, zu erweitern oder selbst zu entwickeln. Somit bilden die beiden Module GEP und FCW eine optimale ge-genseitige Ergänzung und außerdem die Voraussetzung für die Module SPR1 und SPR2, in denen diese Techniken dann prakti-sche Anwendung 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
Multicore-Programmierung und Verteiltes Rechnen			5
Multicore-Programmierung und Verteiltes Rechnen AbsolventInnen erkennen Parallelität in Mehrprozessor- und Mehr-rechnersystemen als ein Mittel zur Leistungssteigerung in Compu-tersystemen (High-Performance-Computing) sowie die Randbe-dingungen, 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 ingenieursmäßiger Vorgehensweisen zu entwerfen und umzusetzen. Multicore-Programmierung und Verteiltes Rechnen Semester: 3 Typ: Pflicht, Vorlesung ECTS: 2 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: 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.
Funktionale und Reaktive Programmierung	5
Funktionale und Reaktive Programmierung 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 An-sätze einschätzen. Er/Sie kann die Konzepte mithilfe der behandelten Technologien effizient umsetzen, ist aber auch in der Lage, das Programmierparadigma der funktionalen und reaktiven Program-mierung auf andere Sprachen und Frameworks anzuwenden. Funktionale und Reaktive Programmierung 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, Funktionskomposition, Funktoren und Monaden, Arbeiten mit funk-tionalen Streams, parallele Verarbeitung von Streams. Reaktive Programmierung: Grundkonzepte (Responsivität, Nach-richtenorientiertheit, 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, Backpres-sure, Akka Streams, nebenläufige Ausführung, Fehlerbehandlung); Aktoren (Grundkonzepte und Programmiermodell, Entwurf von Aktorsystemen, Muster, Aktor-Supervision, verteilte Programmierung mit Aktoren). Funktionale und Reaktive Programmierung 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, Funktionskomposition, Funktoren und Monaden, Arbeiten mit funk-tionalen Streams, parallele Verarbeitung von Streams. Reaktive Programmierung: Grundkonzepte (Responsivität, Nach-richtenorientiertheit, 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, Backpres-sure, Akka Streams, nebenläufige Ausführung, Fehlerbehandlung); Aktoren (Grundkonzepte und Programmiermodell, Entwurf von Aktorsystemen, Muster, Aktor-Supervision, verteilte Programmierung mit Aktoren).
Mobile und ubiquitäre Systeme		5
Mobile und ubiquitäre Systeme Die AbsolventInnen kennen die Spezifika mobiler und ubiquitärer Systeme theoretisch kennen (insbesondere Kontextmodelle, Mög-lichkeiten der drahtlosen Kommunikation) und behrrschen den Umgang mit Konzepten und Techniken/Technologien für den Ent-wurf und für die Implementierung solcher Systeme in einigen aktu-ellen und wichtigen Anwendungsbereichen. Cathy Pearl, Designing Voice User Interfaces – Principles of Con-versational Experiences, 2016 James Vlahos , Talk to Me: How Voice Computing Will Transform the Way We Live, Work, and Think, Eamon Dolan/Houghton Mifflin Harcourt – March 26, 2019 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 + Cortana, Amazon Alexa • Voice User Interface Design Natürliche Benutzerschnittstellen (NUI): • Evolution von Benutzerschnittstellen, Gesten, Taxonomie • Haptische Systeme, berührungslose Systeme (bspw. Radar, Microsoft Kinect, Leap Motion) Elektromyographie, diverse Display-Systeme (bspw. eInk, kapazitiv und re-sistiv) • Gesten und Gestenerkennung: Algorithmen (1$, Dynamic Time Warping/DTW, Rubine), Microsoft Kinect SDK, GestureFabric und KinectUtils Ambient Intelligence • Indoor- und Outdoor-Lokalisierung: Konzepte und Lösungen (bspw. Galileo, GPS, AGPS, DGPS, RFID, BLE Beacons) Internet der Dinge (IoT) • Einführung, Anwendungsbeispiele (z.B. Ambient Assisted Living(AAL)) sowie Hardware-Plattformen (z.B. Arduino, Raspberry Pi) • MQTT • Routing-Algorithmen: AMRIS, SPIN, Daten-zentriertes Rout-ing, Directed Diffusion, Geographic Routing, Greedy Perimeter Stateless Routing • Data Storage & Retrieval: Data Centric Storage (z.B. Geographic Hash Tables), Sensor Network Databases (z.B. TinyDB) • Strategische Überlegungen Mobile und ubiquitäre Systeme Semester: 2 Typ: Pflicht, Übung ECTS: 2 Prüfungsart: Immanente Beurteilung Sprachbasierte Systeme (Voice User Interfaces, VUI) • Sprachsignal, Spracherkennung • Text to Speech (TTS) • Sphinx, Microsoft Speech API + Cortana, Amazon Alexa • Voice User Interface Design Natürliche Benutzerschnittstellen (NUI): • Evolution von Benutzerschnittstellen, Gesten, Taxonomie • Haptische Systeme, berührungslose Systeme (bspw. Radar, Microsoft Kinect, Leap Motion) Elektromyographie, diverse Display-Systeme (bspw. eInk, kapazitiv und resistiv) • Gesten und Gestenerkennung: Algorithmen (1$, Dynamic Time Warping/DTW, Rubine), Microsoft Kinect SDK, GestureFabric und KinectUtils Ambient Intelligence • Indoor- und Outdoor-Lokalisierung: Konzepte und Lösungen (bspw. Galileo, GPS, AGPS, DGPS, RFID, BLE Beacons) Internet der Dinge (IoT) • Einführung, Anwendungsbeispiele (z.B. Ambient Assisted Living(AAL)) sowie Hardware-Plattformen (z.B. Arduino, Raspberry Pi) • MQTT • Routing-Algorithmen: AMRIS, SPIN, Datenzentriertes Routing, Directed Diffusion, Geographic Routing, Greedy Perimeter Stateless Routing • Data Storage & Retrieval: Data Centric Storage (z.B. Geographic Hash Tables), Sensor Network Databases (z.B. TinyDB) • Strategische Überlegungen
Aktuelles Vertiefungsfach			3
Aktuelles Vertiefungsfach Die AbsolventInnen verfügen über 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

Wahlpflichtmodule A (je Semester ist ein Modul zu wählen)

	1.	2.	3.
Heuristische und Evolutionäre Algorithmen	5
Heuristische und Evolutionäre Algorithmen 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 einset-zen. 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. 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	5
Modellierung und Simulation Die Studierenden verfügen über Konzepten der Modellierung, Ana-lyse 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. 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 Erarbeitung und Behandlung der Lehrinhalte.
Künstliche Intelligenz		5
Künstliche Intelligenz Die Absolventinnen verfügen über fundierte Kenntnisse in der Methodologie und den Methoden der Entwicklung von intelligenten Softwaresystemen. Sie verfügen über direkt umsetzbare Kenntnis-se im Aufbau intelligenter Systeme unter Verwendung deduktiver Methodologien und Methoden der künstlichen Intelligenz. Künstliche Intelligenz 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, Pla-nungsalgorithmen, Wissensrepräsentation und Inferenz in stochastischen Umgebungen mit Bayesianischen Netzen und Markov-Ketten, Lernen von Aktionsauswahl in deterministischen und stochastischen Umgebungen durch Reinforcement Learning.
Sicherheit und Fehlertoleranz in Softwaresystemen		5
Sicherheit und Fehlertoleranz in Softwaresystemen 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-Compliance) und menschlicher (z. B. Social Engineering) Sicht. Sie verfügen über 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:* 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 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.
Neuronale Netze und Deep Learning			5
Neuronale Netze und 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 Me-thodologien und lernbasierter Methoden mit Einsatz von neuronalen Netzen und Deep Learning. Neuronale Netze und 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; Representation Learning; Fehlerfunktionen, Schichten und Aktivierungsfunktionen im deep learning; rekurrente neuronale Netze und das vanishing gradient Problem; LSTM und GRU-Zellen; Generative Adversarial Networks.
Alternative Programmierparadigmen			5
Alternative Programmierparadigmen Die Studierenden sind mit Konzepten der Programmierung vertraut, die außerhalb des gängigen Kanons der komponenten/objekt- orientierten Ausbildung liegen, und besitzen fundierte Kenntnisse über die Grundlagen funktionaler, logischer und ob-jektorientierter Programmierparadigmen. 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 werden anhand von Eigenheiten der Sprachen wie Ruby und Io diskutiert. Im funktiona-len Paradigma werden die Unterschiede von rein funktionalem Programmieren und imperativen Programmiersprachen anhand der Beispielsprachen Clojure, Scala, Elixir und Haskell herausgearbeitet. Dabei werden solche Konzepte wie Aktoren, futures, End-rekursion, 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 Programmlogik und ausführenden Kontrolle eine andere Sichtweise des Programmie-rens erhält.

Wahlpflichtmodule B (je Semester ist ein Modul zu wählen)

	1.	2.	3.
Data Warehousing und Business Intelligence	5
Data Warehousing und Business Intelligence Die Absolventinnen besitzen fundierte Kenntnisse in den Konzepten und Methoden des Data Warehousing sowie der Datenvorverar-beitung für anknüpfende Analysen im Sinne Data Mining/Maschi-nellen Lernens. Beginnend von der Sichtweise auf Datenbankebene verfügen sie nach Absolvierung des ersten Teils des Moduls über Grundkenntnisse des Data Warehousing wie Datenbeschaffung, Datenvorverarbeitung, OLAP (Online Analytical Processing) bzw. Datenbankdesign für Data Warehouse. 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	5
Echtzeitsysteme und Echtzeitprogrammierung 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) Echtzeitanforderun-gen zu entwickeln. 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
Data Mining und Maschinelles Lernen		5
Data Mining und Maschinelles Lernen 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 Verfahrensauswahl und Parametrierung für eine konkrete Daten-analyseaufgabenstellung zu treffen. 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		5
Fortgeschrittene Bildverarbeitung und -analyse Die Absolventinnen sind in der Lage, komplexe Aufgaben-stellungen aus z.B. Bildverarbeitung, Computer Vision, Tracking Technologien, Display Technologien sowie verteilte VR/AR Systeme zu analysieren und in Teilproblemen einer Lösung zuzuführen. Dabei kommen fortgeschrittene Methoden der Bildverarbeitung, Bildanalyse und Darstellung zur Anwendung, die mitunter in einer Prozesskette die automatisierte Erkennung und Analyse der Inhalte digitaler Szenarien 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. Fortgeschrittene Bildverarbeitung und -analyse 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 folgenden Themenblöcken: - Bildfusion: Image Stitching und Stereo-Matching - Computer Vision Anwendungen am Stand der Technik: OCR, Gesichtserkennung, OpenPOSE, Segmentierung, Klassifikation, Datensynthese (GAN) - Virtual Reality sowie verwandte Gebiete Augmented Reality, Mixed Reality, VR Hardware und Software 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 und Interaktive Visualisierung			5
Big Data Analytics und Interaktive Visualisierung 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 verschiedenen 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 Benutzer- schnittstellen zur Verfügung zur Analyse und Visualisierung komplexer Zusammenhänge in großen Datenbeständen. 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. 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 Information Visualization und Anwendungen • Aufgaben- und Datenabstraktion • Visuelle Wahrnehmung & Guidelines für Informations-visualisierungen • Visualisierung für Hochdimensionale Datenvi- sualisierung, zeitanhängige Daten und Karten, Graphen und Hierarchien • Web Visualisierung (D3 Tutorial & Visualisierungs Frameworks) • Interaktionstechniken und multiple coordinated views
Web-Semantik-Technologien			5
Web-Semantik-Technologien Die Absolventinnen besitzen fundierte Kenntnisse über die Me-thoden 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 Onto-logien, 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 Wissens-basen dienen. 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 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; Wissensva-lidierung und Ontologie-Aktualisieren, semiautomatischer Aufbau von Ontologien, Wissensmanagement.

Projekte

	1.	2.	3.
Software-Projekt-Engineering: Praxis 1	5
Software-Projekt-Engineering: Praxis 1 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-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
Software-Projekt-Engineering: Praxis 2		5
Software-Projekt-Engineering: Praxis 2 Die Absolventinnen verfügen über die Fähigkeit, die erworbenen Software-Engineering-Kenntnisse in Projekten aus der Praxis (mit üblicherweise realen Auftraggebern) integrativ in Teams umzuset-zen 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
Masterarbeitsprojekt			4
Masterarbeitsprojekt 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. Masterarbeitsprojekt Semester: 3 Typ: Pflicht, Projekt ECTS: 4 Prüfungsart: Immanente Beurteilung Inhaltliche, projektbezogene Vorarbeiten für die Diplomarbeit (einzeln oder in einer kleinen Gruppe).

Fächer im Bereich Sozialkompetenz

	1.	2.	3.	4.
Sozialkompetenz			2	1
Sozialkompetenz 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.

Masterarbeit und -prüfung

	3.	4.
Masterarbeitsseminar	1	4
Masterarbeitsseminar Die AbsolventInnen kennen 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.
Masterarbeit		24
Masterarbeit Die Absolventinnen kennen weitere Techniken des Schreibens einer wissenschaftlichen Arbeit und setzen diese anhand der eigenen Arbeit um. Durch Unterstützung und Feedback seitens Betreuerin vom FH-Studiengang ist ein schrittweises Vorgehen mit kon-tinuierlicher Qualitätsverbesserung gesichert. Masterarbeit Semester: 4 Typ: Pflicht, Masterarbeit ECTS: 24 Prüfungsart: Schriftliche Prüfung Erstellen der wissenschaftlichen Masterarbeit; Dokumentieren dieser in Form der Masterschrift.
Masterprüfung		1
Masterprüfung Die Studierenden sind in der Lage, Ihr Wissen im Rahmen einer abschließenden Prüfung gem. § 16 Abs. 1 FHStG vor einem facheinschlägigen Prüfungssenat präsentieren und haben somit auch die Kompetenz mit schwierigen Prüfungssituationen umzugehen. Masterprüfung Semester: 4 Typ: Pflicht, Abschlussprüfung ECTS: 1 Prüfungsart: Mündliche Prüfung

Kontakt

E-Mail se@fh-hagenberg.at

Telefon +43 5 0804 22000

Quick Links

Campus Hagenberg

Master-Studiengänge am Campus Hagenberg

Alle 80 Studiengänge der FH OÖ