| Bezeichnung |
Sprache |
Lehrform |
ECTS
SWS |
|
Agile Softwareentwicklung & Lean UX (SOFT)
English /
iMod
|
Englisch |
iMod |
4.00
- |
|
Agile Softwareentwicklung & Lean UX (SOFT)
English /
ILV
|
Englisch |
ILV |
4.00
3.00 |
Kurzbeschreibung
Diese Lehrveranstaltung zeigt den Studierenden das Zusammenspiel zwischen agilem Projektmanagement, User Experience Design und dessen effizienter und effektiver Integration, dem so genannten "Lean UX". Die erworbenen Kenntnisse werden im Rahmen mehrerer Übungen und einem abschließenden Projekt in die Praxis umgesetzt.
Methodik
Selbststudium, Vortrag, Diskussion, Gruppenarbeiten, Praxisbeispiele, Online-Tutorials, Projektarbeit
Lernergebnisse
Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...
-
Methoden des agilen Projektmanagements praktisch anzuwenden (u.a. Aufwandschätzung, User Stories, Software Requirements Specification)
-
Projektteams im agilen Umfeld aufzubauen und zu koordinieren
-
die wesentlichen Merkmale von state-of-the-Art User Experience Design zu erklären sowie die wichtigsten Methoden in der Praxis einzusetzen (u.a. Expert Reviews, UI-Prototyping, Discount Usability Evaluation)
-
Projekte unter Betrachtung des "Lean UX" Aspekts zu planen und umzusetzen
Lehrinhalte
-
Agiles Projektmanagement (Scrum, Kanban etc.)
-
User Experience
-
Softwareentwicklung
-
User Stories
-
Aufwandsschätzung in Softwareprojekten
-
Software Requirements Specification
-
Einschlägige Normen
-
Probanden- und Expertenbasierte Methoden
-
Personas
-
Prototyping
-
Eyetracking
-
Usability Labor
-
Minimum Viable Product
-
Discount Usability
-
UX Canvas
Vorkenntnisse
Grundlagen der Informatik sowie Grundlagen des Projektmanagements
Literatur
-
Gothelf, Lean UX: Applying Lean Principles to Improve User Experience, aktuelle Auflage
-
Richter/Flücker, Usability und UX kompakt: Produkte für Menschen, aktuelle Auflage
-
Roock/Wolf, Scrum verstehen und erfolgreich einsetzen, aktuelle Auflage
Leistungsbeurteilung
-
immantente Leistungen (30%) + Projektarbeit (70%)
Anmerkungen
Weiterführende Informationen und Lehrmaterialien werden über den begleitenden Moodle-Kurs zur Verfügung gestellt.
|
|
Changemanagement (CHAN)
English /
iMod
|
Englisch |
iMod |
4.00
- |
|
Changemanagement (CHAN)
English /
ILV
|
Englisch |
ILV |
4.00
2.00 |
Kurzbeschreibung
Im Rahmen dieses Moduls erwerben die Studierenden Kenntnisse und Kompetenzen auf dem Gebiet des Change Managements.
Methodik
Vortrag, Selbststudium, Übungen, Erfahrungsaustausch, Diskussion, Fallstudien
Lernergebnisse
Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...
-
einen Wandlungsbedarf frühzeitig zu erkennen
-
interne und externe Hemmnisquellen für einen erforderlichen Unternehmenswandel zu antizipieren
-
Faktoren für einen erfolgreichen Unternehmenswandel zu identifizieren (z.B. Partizipation, externe Beratung etc.)
-
Ängste und Widerstände der Belegschaft durch vertrauensbildende Maßnahmen abzumildern
-
eine Kultur der Veränderungs- und Lernbereitschaft zu etablieren
-
Veränderungsprozesse als Change- bzw. Projektmanager zu planen und umzusetzen
-
aus fehlgeschlagenen Veränderungsprojekten zu lernen
Lehrinhalte
-
Ursachen und Ziele des Unternehmenswandels
-
Phasen des Wandels
-
Hemmnisse des Wandels
-
Steuerung des Wandels
-
Projektmanagement und -controlling
-
Erfolgsfaktoren des Wandels
-
Veränderungskultur
-
Ursachen gescheiterten Unternehmenswandels
Vorkenntnisse
Grundlagen der Betriebswirtschaftslehre
Literatur
-
Lauer, Change Management, aktuelle Fassung
Leistungsbeurteilung
-
schriftlicher Test (20%) + Fallstudienausarbeitung (80%)
Anmerkungen
Weiterführende Informationen und Lehrmaterialien werden auf dem begleitenden Moodle-Kurs zur Verfügung gestellt.
|
|
Computergestützte Datenanalyse (DATE)
German /
iMod
|
Deutsch |
iMod |
4.00
- |
|
Computergestützte Datenanalyse (DATE)
German /
ILV
|
Deutsch |
ILV |
4.00
3.00 |
Kurzbeschreibung
Im Rahmen dieser Lehrveranstaltung erwerben die Studierenden grundlegende Kenntnisse und Kompetenzen auf dem Gebiet der Datenanalyse.
Methodik
Selbststudium, E-Learning, Vortrag, Diskussion, Übungen, Fallstudien
Lernergebnisse
Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...
-
zwischen verschiedenen Datentypen zu unterscheiden
-
umfangreiche Datenbestände für Analysezwecke aufzubereiten
-
umfangreiche Datenbestände mit statistischen Verfahren zu analysieren
-
die Ergebnisse von Datenanalysen professionell zu visualisieren
-
ein datenbasiertes Vorhersagemodell zu erstellen (Predictive Analytics)
-
praktische Fragestellungen mittels Data Science lösen
-
das für die jeweilige Problemstellung sinnvollste Analyse-Tool zu identifizieren und einzusetzen
Lehrinhalte
-
Datenquellen
-
Datentypen
-
Datenaufbereitung und -visualisierung mit Power BI und Tableau
-
Statistik mit R und SPSS
-
Big Data
-
Data Science
-
Predictive Analytics
-
Python und SQL für Data Science verwenden
-
Anwendungssoftware für Data Science (z.B. Tableau etc.)
-
Praxisbeispiele
Vorkenntnisse
Grundlagen der Mathematik und Statistik, Grundlagen der Informatik, Grundlagen der Programmierung
Literatur
-
Pierson, Data Science für Dummies
Leistungsbeurteilung
-
schriftlicher Test (20%) + Datenauswertung (80%)
Anmerkungen
Weitere Informationen und Lehrmaterialien werden über den begleitenden Moodle-Kurs zur Verfügung gestellt.
|
|
Online-Marketing und E-Commerce (MARK)
English /
iMod
|
Englisch |
iMod |
4.00
- |
|
Online-Marketing und E-Commerce (MARK)
English /
ILV
|
Englisch |
ILV |
4.00
2.00 |
Kurzbeschreibung
Im Rahmen dieser Lehrveranstaltung erwerben die Studierenden grundlegende Kenntnisse und Kompetenzen auf den Gebieten E-Commerce und Online-Marketing.
Methodik
Selbststudium, Vortrag, Diskussion, Gruppenarbeiten, Praxisbeispiele, Online-Tutorials
Lernergebnisse
Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...
-
zwischen verschiedenen Formen des Online-Vertriebs zu unterscheiden
-
Vor- und Nachteile des Online-Vertriebs im Vergleich zum stationären Handel zu evaluieren
-
einen eigenen Online-Shop zu konzipieren
-
die Auffindbarkeit einer Homepage bzw. eines Online-Shops mittels Suchmaschinen-Marketing zu verbessern
-
soziale Netzwerke zur Kundenbindung zu verwenden
-
die von Interessenten und Kunden zur Verfügung stehenden digitalen Informationen und Daten auszuwerten und für individualisierte Angebote einzusetzen
Lehrinhalte
-
Electronic Commerce
-
Social Commerce
-
Mobile Commerce
-
Online-Marketing
-
Homepage-Gestaltung
-
E-Mail-Marketing
-
Affiliate-Marketing
-
Suchmaschinen-Marketing
-
Mobile Marketing
-
Social Media Marketing
-
Online-Marktforschung
Vorkenntnisse
Grundlagen der Betriebswirtschaftslehre
Literatur
-
Olbrich/Schultz/Holsing, Electronic Commerce und Online-Marketing, aktuelle Auflage
Leistungsbeurteilung
-
schriftlicher Test (20%) + schriftliche Ausarbeitung (80%)
Anmerkungen
Weiterführende Informationen und Lehrmaterialien werden über den begleitenden Moodle-Kurs zur Verfügung gestellt.
|
|
Robotik (ROBO)
German /
iMod
|
Deutsch |
iMod |
5.00
- |
|
Robotik (ROBO)
German /
ILV
|
Deutsch |
ILV |
5.00
3.00 |
Kurzbeschreibung
Im Rahmen dieser LVA erwerben die Studierenden anwendungsbezogene Kenntnisse auf den Gebieten der Industrierobotik, der Mobil- und Servicerobotik sowie über humanoide Roboter.
Methodik
Selbststudium, Vortrag, Diskussion, Übungen, Labor
Lernergebnisse
Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...
-
einfache robotische Konfigurationen zu verstehen, zu analysieren und ihre funktionalen Abhängigkeiten zu erkennen.
-
Industrie-, Mobil- und Serviceroboter sowie Humanoide Roboter zu definieren und Ihre Komponenten, Vor- und Nachteile, Einsatzbereiche und –grenzen zu nennen und zu erklären.
-
sicherheitstechnische Fragestellungen beim Einsatz von Robotersystemen zu identifizieren und zu analysieren und entsprechende Lösungsansätze zu entwerfen und zu dimensionieren.
-
im Team eine vorgegebene Aufgabenstellung aus dem Themenbereich Robotik zu analysieren, einen Lösungsweg zu entwerfen und diesen als Team mit den vorgegebenen Ressourcen innerhalb eines fixen Zeitrahmens erfolgreich umzusetzen.
-
den Lösungsweg und die erzielten Ergebnisse in einem Laborprotokoll zu dokumentieren, zu interpretieren und zu diskutieren.
Lehrinhalte
-
Stand der Robotik und aktuelle Entwicklungstendenzen
-
Arten von Robotern (z.B. Industrieroboter, Mobiler Roboter, Serviceroboter etc.)
-
Bestandteile von Robotern
-
Programmierung von Robotern
-
Soziale, technische, wirtschaftliche und sicherheitstechnische Aspekte des Einsatzes von Robotern
-
Praktische Übungen mit Industrie-, Service- und Mobilrobotern
-
Roboter-Challange
-
Exkusion zu Industrieunternehmen
Vorkenntnisse
Grundlegende technische Kenntnisse, Mathematik, Grundlegende Programmierkenntnisse
Literatur
-
Favre-Bulle: Automatisierung Komplexer Industrieprozesse: Systeme, Verfahren und Informationsmanagement, aktuelle Auflage
-
Hesse/Malisa (Hrsg.): Taschenbuch Robotik - Montage - Handhabung, aktuelle Auflage.
Leistungsbeurteilung
-
schriftlicher Test (20%) + Roboterbau und -programmierung (80%)
Anmerkungen
Weitere Details und Lehrmaterialien werden über den begleitenden Moodle-Kurs zur Verfügung gestellt.
|
|
Wahlfach 2: 1) Machine Learning 2) Smart Homes & Assistive Technologies (WP_2)
German /
iMod
|
Deutsch |
iMod |
5.00
- |
|
Machine Learning (MACH)
German /
ILV
|
Deutsch |
ILV |
5.00
3.00 |
Kurzbeschreibung
Dieser Kurs gibt einen Überblick über Grundlagen sowie die wesentlichen Formalismen und Techniken des maschinellen Lernens. Hierbei werden traditionelle Ausrichtungen wie Logik oder Neuronale Netze genauso wie neuartige Entwicklungen wie Wahrscheinlichkeitsmodelle, Methoden des überwachten und unüberwachten Lernens und Deep Learning Ansätze behandelt. In den Übungen wird anhand praktischer Beispiele mit Python gezeigt, wie Machine Learning Verfahren verwendet werden können, um intelligente Softwareartefakte zu entwickeln. Vorausgesetzt werden grundlegende Kenntnisse der Programmierung und Statistik.
Methodik
Der Kurs ist in 5 Themenbereiche gegliedert, die jeweils aus Theorie und Übung bestehen. In den Übungen werden für die theoretischen Inhalte mit vorgefertigten Python Scripts (Softwarepaket Anaconda bzw. Jupyter Notebook) geübt. Es sind Selbstlernphasen und Übungsaufgaben vorgesehen, die in der Folgeeinheit mit einem kurzen Test zu beginn abzuschließen sind. In einem Gruppenprojekt ist eine durchgehende Fallstudie zu einem aktuellen Thema von Machine Learning zu entwickeln und in der letzten Einheit zu präsentieren.
Lernergebnisse
Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...
-
Grundlagen des Data Mining und Machine Learning erklären sowie die wichtigsten Formalismen und Verfahren für konkrete Problemstellungen (Knowledge Engineering) auswählen
-
Unsicherheit in Form von probabilistischen Modellen berücksichtigen und Schluss-folgerungen auf Basis solcher Wahrscheinlichkeitsmodelle (Satz von Bayes, Bayes-Netze, Markov-Modelle) ableiten
-
Verfahren des überwachten Lernens (Perzeptron, Nearest-Neighbour, Entschei-dungsbäume, Naive-Bayes, One Class Learning) für praktische Aufgabenstellungen anwenden
-
Verfahren des unüberwachten Lernens (Clustering, Hauptkomponentenanalyse) so-wie des Lernens durch Verstärkung (Robotik, AlphaGo) für Beispieldatensätze umsetzen
-
Mustererkennungsverfahren mittels ein- und mehrschichtiger neuronaler Netze (Deep Learning mit Keras/Tensorflow) auf Echtdaten anwenden
-
Ein praktisches Machine Learning Projekt durch alle Phasen (Datenaufbereitung, explorative Datenanalyse, Trainieren und Validieren von ML-Modellen) für ein konkretes Anwendungsszenario in Form einer Projektgruppenarbeit umsetzen
Lehrinhalte
-
Knowledge Engineering
-
Probabilistische Modelle
-
Überwachtes Lernen
-
Unüberwachtes Lernen und Lernen durch Verstärkung
-
Neuronale Netze und Deep Learning
-
Praktische Anwendungen von ML-Verfahren
Vorkenntnisse
Python Programmierung, Statistik und Datenanalyse
Literatur
-
Folienskriptum, Jupyter Notebooks
-
Ergänzende Literatur: Ertl, W. (2016). Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung. 4. Auflage, Springer Verlag.
Leistungsbeurteilung
-
Anwendungsorientiertes Gruppenprojekt (Abgabe und Präsentation in letzter Einheit): 30%
-
Fernlehranteil mit kurzem Theorietest zu Beginn der Einheiten: 30%
-
Abschließender computerbasierter Test (60 Minuten) = 40%
-
(Wiederholung der schriftlichen Prüfung und des computerbasierten Tests bei negativer Beurteilung)
Anmerkungen
Weiterführende Informationen und Lehrmaterialien werden über den begleitenden Moodle-Kurs zur Verfügung gestellt.
|
|
Smart Homes & Assistive Technologies (SMART)
German /
ILV
|
Deutsch |
ILV |
5.00
3.00 |
Kurzbeschreibung
Die Lehrveranstaltung vermittelt den Studierenden einen praktischen Einblick in die Anwendung und Implementierung aktueller Smart Homes-Technologien in Kombination mit Assistive Technologies. Ein besonderes Augenmerk wird auf die Vereinigung beider Technologien zu Active Assisted Living gelegt, um auf den demographischen Wandel zu reagieren.
Methodik
Selbststudium, Vortrag, Diskussion, Labor, Gruppenübungen, Fernlehre
Lernergebnisse
Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...
-
den aktuellen Stand der Technologien in den Bereichen Smart Homes und Assistive Technologies zu erklären.
-
einfache Implementierung für Active Assisted Living umzusetzen.
-
einfache Unterstützungstechniklösungen mit AsTeRICS umzusetzen.
-
eine elementare Smart Home Installation auf Basis eines offenen, verdrahteten Automationsnetzes umzusetzen.
Lehrinhalte
-
Darstellung des aktuellen Standes von Active Assisted Living (AAC), Smart Homes und Assistive Technologies
-
Vertiefung der theoretischen Inhalte durch praktische Laborübungen mit KNX, AsTeRICS und alternativen Eingabemethoden
-
Konfiguration, Parametrierung und Inbetriebnahme drahtgebundener und drahtloser Smart Homes mittels gängiger Tools
-
Visualisierungen für Smart Homes
Vorkenntnisse
grundlegende Programmierkenntnisse (z.B. Modellierung von Funktionen in grafischen Editoren), grundlegende Elektrotechnikkenntnisse (z.B. Spannung, Strom, Verkabelung)
Literatur
-
Merz / Hansemann / Hübner (2009): Gebäudeautomation - Kommunikationssysteme mit EIB/KNX, LON und BACnet, aktuelle Auflage
-
Robitaille (2010): The Illustrated Guide to Assisitve Technology and Devices, Demos Health Publishing
Leistungsbeurteilung
-
aktive Mitarbeit (20%) + Laborübungen (80%)
Anmerkungen
Weiterführende Informationen und Lehrmaterialien werden über den begleitenden Moodle-Kurs zur Verfügung gestellt.
|
|
Wirtschaftlichkeitsrechnung und Finanzierung (WIRT)
English /
iMod
|
Englisch |
iMod |
4.00
- |
|
Wirtschaftlichkeitsrechnung und Finanzierung (WIRT)
English /
ILV
|
Englisch |
ILV |
4.00
2.00 |
Kurzbeschreibung
Im Zuge dieser Lehrveranstaltung erwerben die Studierenden weiterführende Kenntnisse auf den Gebieten Investitionscontrolling, Budgetierung, Kostenmanagement und Finanzierung.
Methodik
Vortrag, Übungen, Fallstudien, Diskussion, E-Learning, Selbststudium, Flipped Classroom
Lernergebnisse
Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...
-
die Vorteilhaftigkeit eines Investitionsprojekts mittels statischer oder dynamischer Investitionsrechnung zu beurteilen
-
die typischen Inhalte einer Investitionsrichtlinie zu skizzieren
-
Maßnahmen zur Kostenreduktion zu identifizieren und umzusetzen
-
Maßnahmen zur Variabilisierung von fixen Kosten zu identifizieren und umzusetzen
-
ein integriertes Unternehmensbudget zu erstellen
-
Kennzahlen zur Analyse der Vermögens-, Rentabilitäts- und Liquiditätslage zu berechnen
-
einen kurzfristigen Finanzplan zu erstellen
-
den Wert eines Unternehmens mittels Discounted-Cashflow-Verfahren zu ermitteln
-
zwischen verschiedenen Finanzierungsarten zu unterscheiden
Lehrinhalte
-
Investitionsrechnung und -controlling
-
Unternehmensbewertung
-
Kostenmanagement
-
Budgetierung
-
Bilanzanalyse
-
Finanzplanung
-
Finanzierung
Vorkenntnisse
Grundlagen der Betriebswirtschaftslehre, Buchhaltung, Kostenrechnung
Literatur
-
Eisl/Hofer/Losbichler, Grundlagen der finanziellen Unternehmensführung. Band IV: Controlling
-
Losbichler, Grundlagen der finanziellen Unternehmensführung. Band III: Cashflow, Investition und Finanzierung
Leistungsbeurteilung
-
schriftliche Abschlussprüfung (100%)
Anmerkungen
Weiterführende Informationen zur Lehrveranstaltung sowie verwendete Unterrichtsmaterialien werden über den begleitenden Moodle-Kurs zur Verfügung gestellt.
|
