| 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, Gruppenarbeit, Fallstudie
Lernergebnisse
Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...
-
Arten von organisationalen Veränderungen zu unterscheiden
-
interne und externe Barrieren für einen erfolgreichen Wandel zu antizipieren
-
Erfolgsfaktoren für Veränderungsprozesse zu identifizieren
-
die wichtigsten Schritte und Maßnahmen für einen konkreten Veränderungsprozess zu definieren
-
Gründe für Widerstand zu verstehen
Lehrinhalte
-
Arten des organisationalen Wandels
-
Phasen des organisationalen Wandels
-
Barrieren für Veränderungen
-
Erfolgsfaktoren für Veränderungen
-
Change Management
-
Organisationales Lernen und strategische Erneuerung
-
Agile Organisationen
Vorkenntnisse
Grundlagen der Betriebswirtschaftslehre
Literatur
-
• Stouten, J., Rousseau, D. M., de Cremer, D. (2018) Successful organizational change: Integrating the management Practice and scholarly articles . Academy of Management Annals, 12 (2), 752-788.
Leistungsbeurteilung
-
• Case Work 1 (30 %) + Case Work 2 (Group Work, 40%) + Case Work 3 (30%). Es gibt keine Prüfung.
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
Aufbauend auf den im Vorsemester vermittelten statistischen Grundlagen werden in diesem Kurs die notwendigen Kompetenzen erarbeitet, um strukturierte Daten handhaben, analysieren, aufbereiten sowie für einfache maschinelle Lernverfahren verwenden zu können. Hierbei wird geübt, Datensätze mittels deskriptiver Statistiken zu beschreiben, statistische Analyseverfahren wie die Korrelations- und Regressionsanalyse anzuwenden sowie Vorhersagemodelle für Klassifikations- und Approximationsaufgaben zu entwickeln und hinsichtlich der Qualität zu bewerten.
Methodik
Neben Fachvorträgen zu den theoretischen Themen liegt der Schwerpunkt des Kurses auf praktischen Übungen mit ausgewählten IT-Werkzeugen (Excel, Tableau, Python bzw. Jupyter Notebooks) und interaktiven Diskussionen der Datenanalyse-Verfahren. Zudem sollen ausgewählte Themen in Fernlerneinheiten selbst erarbeitet werden. Die für die Präsenzeinheiten vorausgesetzte Wissen wird zu Beginn mit kurzen Tests abgeprüft.
Lernergebnisse
Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...
-
strukturierte Datenbestände mittels Excel und Tableau aufzubereiten, zu visualisieren und auszuwerten.
-
einen Datensatz in ein IPython Notebook einzulesen, in dieser Entwicklungsumgebung aufzubereiten sowie anhand deskriptiver Statistiken und ausgewählter statistischer Verfahren zu explorieren.
-
Beziehungen zwischen einer abhängigen und einer oder mehreren unabhängigen Varablen zu erkennen und mittels Regressionsverfahren ein Vorhersagemodell zu entwickeln.
-
Datenpunkte im mehrdimensionalen Merkmalsraum mit Hilfe von einfachen und überwachten Lernverfahren zu klassifizieren (Nearest Neighbours, Entscheidungsbäume).
-
die Performance von Klassifikations- und Regressionsverfahren zu evaluieren und zu verbessern.
-
Datenpunkte im mehrdimensionalen Merkmalsraum mittels kMeans-Verfahrens zu clustern und die optimale Anzahl an Cluster zu ermitteln.
-
ein geeignetes Lernverfahren für eine Fallstudie mit Echtdaten zu wählen, um ein Vorhersagemodell zu erstellen.
Lehrinhalte
-
Datenaufbereitung, -visualisierung und -auswertung
-
Einsatz von Python in Data Science
-
Regressionsanalyse
-
Klassifikation
-
Performanceevaluierung
-
Cluster-Analyse
-
Predictive Analytics (Fallstudie)
Vorkenntnisse
Python Programmierung, statistische Grundlagen
Literatur
-
Folienskriptum
-
Jupyter Notebooks
-
Ergänzende Literatur: McKinney, W. (2012). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. O'Reilly Media.
Leistungsbeurteilung
-
Schriftlicher Test zu Beginn des Moduls (30 Punkte, 15 bis 45 Min., keine Wiederholungsmöglichkeit)
-
Praktische Datenauswertungsklausur (70 Punkte, open book, 90 Min.)
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
Vertiefende Grundlagen der Robotik in der Theorie sowie Offline und Online Programmierung von Industrierobotern.
Methodik
Selbststudium, Vortrag, Diskussion, Übungen, Labor
Lernergebnisse
Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...
-
einen ABB IRB 120 Sechs-Achs-Knickarmrobotern (Online wie Offline) zu steuern und zu programmieren.
-
Industrie-, Mobil- und Serviceroboter zu definieren und Ihre Komponenten, Vor- und Nachteile, Einsatzbereiche und –grenzen zu nennen und zu erklären.
-
eine vorgegebene Aufgabenstellung aus dem Themenbereich Robotik zu analysieren, einen Lösungsweg zu entwerfen und diesen mit Hilfe der zur Verfügung gestellten Tools umzusetzen.
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 Industrierobotern
Vorkenntnisse
Grundlegende technische Kenntnisse, Mathematik, Grundlegende Programmierkenntnisse
Literatur
-
Hesse/Malisa (Hrsg.): Taschenbuch Robotik - Montage - Handhabung, aktuelle Auflage.
Leistungsbeurteilung
-
Projekt in Robotstudio (30%) + Online-Roboterprogrammierung (70%)
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 des Kurses 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 Schlussfolgerungen auf Basis solcher Wahrscheinlichkeitsmodelle (Satz von Bayes, Bayes-Netze, Markov-Modelle) ableiten
-
Verfahren des überwachten Lernens (Perzeptron, Nearest-Neighbour, Entscheidungsbäume, Naive-Bayes, One Class Learning) für praktische Aufgabenstellungen anwenden
-
Verfahren des unüberwachten Lernens (Clustering, Hauptkomponentenanalyse) sowie 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 Finanzanalyse, Kostenmanagement Finanzierung und Unternehmensbewertung.
Methodik
Vortrag, Übungen, Diskussion, E-Learning, Selbststudium, Flipped Classroom, Planspiel
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
-
Kennzahlen zur Analyse der Vermögens-, Rentabilitäts- und Liquiditätslage zu berechnen
-
zwischen verschiedenen Finanzierungsarten zu unterscheiden
-
den Wert eines Unternehmens mittels Discounted-Cashflow-Verfahren zu ermitteln
Lehrinhalte
-
Bilanzierung
-
Bilanzanalyse
-
Kostenmanagement
-
Investitionsrechnung
-
Finanzierung
-
Unternehmensbewertung
Vorkenntnisse
Grundlagen der Betriebswirtschaftslehre, Buchhaltung, Kostenrechnung
Literatur
-
Berk, Jonathan, and Peter DeMarzo. Corporate Finance. Actual Edition. Harlow: Pearson Education Limited
-
Brealey, Richard A., Stewart C. Myers, und Franklin Allen. Principles of Corporate Finance. New York: McGraw-Hill Higher Education
-
Charles T. Horngren; Srikant M. Datar; Madhav V. Rajan, Cost Accounting, Global Edition, Pearson Education Limited
-
Eisl/Hofer/Losbichler, Grundlagen der finanziellen Unternehmensführung. Band IV: Controlling
-
Losbichler, Grundlagen der finanziellen Unternehmensführung. Band III: Cashflow, Investition und Finanzierung
Leistungsbeurteilung
-
schriftliche Abschlussprüfung (50%) + Punkte für immanente Leistungen Planspiel (50%)
Anmerkungen
Weiterführende Informationen zur Lehrveranstaltung sowie verwendete Unterrichtsmaterialien werden über den begleitenden Moodle-Kurs zur Verfügung gestellt.
|
