Inhalte des Studiengangs


4 + 1 + 2 = Grundlagen + Praxis + Vertiefung


Den Bachelorabschluss als Data Scientist erreichen Sie in drei Phasen: 4 Semester Grundlagen erarbeiten, 1 Semester Praxisluft schnuppern, 2 Semester selbst gewählte Themen vertiefen. Informationen zum Teilzeitstudium finden Sie weiter unten.

Grundlagen erarbeiten

Die Kernthemen der ersten vier Semester sind einerseits die Daten selbst, deren Beschaffung, Verarbeitung und Visualisierung, andererseits das maschinelle Lernen und künstliche Intelligenz zur Extraktion von Informationen aus Daten.

Praxisluft schnuppern

Im 5. Semester orientieren Sie sich im Rahmen eines Praktikums in einem Unternehmen über Ihre Interessen und beruflichen Möglichkeiten und können so eine fundierte Entscheidung über Ihre Ausrichtung in den Semesters 6 und 7 treffen.

Ob Sie lieber im Bereich Methodenentwicklung für Data Science und künstliche Intelligenz arbeiten möchten oder ob sie lieber die bisher erlernten Verfahren und Techniken auf konkrete Aufgabenstellungen aus der Unternehmenspraxis anwenden, liegt allein in Ihrer Hand. Wir unterstützen Sie gern bei der Wahl eines zu Ihren Interessen passenden Unternehmens.

Selbst gewählte Themen vertiefen

In den letzten beiden Semestern steigen Sie tiefer in spezielle Themen des Data Science ein. Sie wählen aus einem breiten Angebot die Veranstaltungen aus, die Sie interessieren.


Beispiele für Vertiefungsthemen:

  • Computergrafik
  • Medizintechnik
  • Automatisierungstechnik
  • Mess- und Sensortechnik
  • theoretische Informatik
  • IT-Sicherheit

Im Rahmen der Vertiefung können auch Veranstaltungen aus dem Soft-Skill-Bereich gewählt werden, beispielsweise zu wissenschaftlichem Arbeiten oder Rhetorik.


Meilensteine


In den ersten vier Semestern erlernen Sie wesentliche Grundfertigkeiten eines Data Scientist. Anschließend geht es ins Praxissemester. Zwei thematisch flexible Vertiefungssemester bilden den Abschluss.


Studienablauf


Jedes Semester ist thematisch in verschiedene Module unterteilt, ähnlich zu den verschiedenen Fächern in der Schule. Module können Vorlesungen, Übungseinheiten, Praktika und Seminare enthalten. Jedes Modul wird durch eine Prüfung abgeschlossen.

Das Studium in Vollzeit umfasst 7 Semester, in Teilzeit 14 Semester. Nachfolgend sehen Sie den inhaltlichen Aufbau für jedes Semester. Die Höhe der Modulboxen entspricht dem Anteil der Module im Stundenplan des Semesters. Die Farbe gibt die Zuordnung zu den Bereichen Data Science (rot), Mathematik (blau), Informatik (gelb) und Anwendung (grün) an. Ein Klick auf den Modulname führt Sie zum Modulverzeichnis mit allen Detailinformationen.

1. Semester

Data Science I, Einführung in Python und Datenvorverarbeitung: Software-Grundlage des Studiengangs ist das Python-Ökosystem. Im Modul wird dieses eingeführt. Im Vordergrund stehen die Python-Programmierung, für Data Science relevante Software-Bibliotheken (NumPy und Pandas) sowie die Beschaffung und Verarbeitung großer Datenmengen ("Big Data"). Auch erste Anwendungen wie Web-Scraping sind Teil des Moduls.

Mathematische Grundlagen I: Die Schulmathematik wird wiederholt und vertieft. Insbesondere werden für Data-Science-Anwendungen wichtige Werkzeuge wie Matrizen und Vektoren eingeführt.

Grundlagen der Digitalisierung: Das Modul führt in die Grundlagen verschiedener Bereiche der Informatik ein. Neben der Organisation von Computersystemen und Grundprizipien der Software-Entwicklung wird beispielsweise auch der Computereinsatz im betriebswirtschaftlichen Bereich behandelt.

Fachenglisch Data Science: Neben fachspezifischem Wortschatz werden auch grundlegende Business-Englisch-Kenntnisse vermittelt sowie in das Projektmanagement im interkulturellen Kontext eingeführt.

2. Semester

Data Science II, Datenvisualisierung und Überwachtes Lernen: Die Visualisierung komplexer Datenmengen spielt eine fundamentale Rolle bei der Datenauswertung. Im Modul werden Grundlagen gelegt, aber auch weiterführende Themen behandelt; beispielsweise die Visualisierung von Geodaten auf interaktiven Karten und das Erstellen von interaktiven 3D-Grafiken. Im zweiten Teil wird das überwachte maschinelle Lernen zur Extraktion von Informationen aus Daten eingeführt. Insbesondere werden künstliche neuronale Netze detailliert behandelt.

Datenanalyse: Das Modul führt zum einen in klassische Techniken der Signalverarbeitung ein, zum anderen legt es die Grundlagen für professionelle statistische Datenauswertungen.

Mathematische Grundlagen II: Weitere Themen der Schulmathematik werden wiederholt und vertieft. Neu hinzu kommen unter anderem die mehrdimensionale Optimierung sowie die Grundlagen von Wahrscheinlichkeitsrechnung und Statistik.

Digitale Anwendungssysteme: Neben weiteren Prinzipien der Software-Entwicklung wird in die Modellierung von Geschäftsprozessen und betriebswirtschaftlich genutzten Informationssystemen eingeführt.

3. Semester

Data Science III, Überwachtes und Unüberwachtes Lernen: Weitere Methoden des überwachten maschinellen Lernens werden vorgestellt und praktisch umgesetzt, beispielsweise Support-Vector-Machines und Techniken zur Textanalyse. Aus dem Bereich des unüberwachten maschinellen Lernens werden insbesondere Clustering-Techniken und Verfahren zur Dimensionsreduktion intensiv diskutiert.

Numerische Methoden: Hinter den Kulissen führen Computer sehr komplexe Berechnungen aus um deren Details sich Data-Science-Anwender eigentlich nicht kümmern müssen. Im Modul wird ein Blick hinter die Kulissen geworfen. Wesentliche Konzepte der numerischen, also computerbasierten, Mathematik werden eingeführt und im Data-Science-Kontext diskutiert.

Datenbanken I: Grundlegende Datenbanktechniken und -architekturen werden eingeführt. Insbesondere werden relationale Datenbanken und die Abfragesprache SQL behandelt.

E-Commerce und CRM-Systeme: Im Modul werden Techniken und Systeme des Customer-Relationship-Management (CRM) behandelt. Darüberhinaus wird auf technische und Sicherheitsaspekte von Online-Shops und elektronischen Katalogmanagement-Systemen eingegangen.

Betriebliche Informationssysteme: Grundlagen und Architekturen von Enterprise-Resource-Planning-Systemen (ERP) und Product-Lifecycle-Management-Systemen (PLM) werden vorgestellt. Besprochen werden auch Fragen der organisationsübergreifenden Kommunikation von IT-Systemen.

4. Semester

Data Science IV, Bestärkendes Lernen: Im Mittelpunkt des Moduls stehen Verfahren des bestärkenden maschinellen Lernens. Die bilden das menschlische Lernen aus Versuch und Irrtum basierend auf einem Belohnungssystem nach. Das bestärkende maschinelle Lernen ist eine wesentliche Technik moderner künstlicher Intelligenz. Eine direkte Anwendungen der vermittelten Ideen und Techniken ist das autonome Fahren oder, allgemeiner, das autonome Bewegen von Robotern in der realen Welt.

Statistische Lerntheorie: In den vorherigen Semestern untersuchte und praktisch umgesetzte Techniken des maschinellen Lernens werden in einen größeren Kontext eingeordnet und erscheinen so in einem neuen Licht. Grundlegende Fragen wie "Was und in welchem Detailgrad kann ein Computer eigentlich lernen?" werden diskutiert und anhand statistisch-theoretischer Betrachtungen beantwortet.

Grundlagen der technischen Informatik: Das Modul liefert einen Überblick über alle wichtigen technisch orientierten Bereiche der Informatik. So werden beispielsweise Sinn und Funktion von Betriebssystemen erläutert, Architekturen von Rechnernetzen beleuchtet, Sicherheitsaspekte in Netzwerken diskutiert und Grundlegende Arbeitsprinzipien von Computern erklärt.

Algorithmen und Datenstrukturen: Grundlegende Algorithmen, die bisher im Verborgenen ihre Arbeit getan haben, werden vorgestellt und untersucht. Dazu gehören beispielsweise Sortieralgorithmen, Suchalgorithmen und kryptografische Verfahren. Darüber hinaus werden komplexe Datenstrukturen wie Bäume, Stapel (Stacks) und Warteschlangen sowie die zugehörigen Algorithmen vorgestellt.

Bildverarbeitung: Eine wichtiges Anwendungsgebiet von Data Science und künstlicher Intelligenz sind Bilderkennung und Bildanalyse. Im Modul werden Grundlagen der Bildrepräsentation im Computer vermittelt. Hinzu kommen Verfahren für Kantendetektion, Glättung, Segmentierung und zahlreiche andere Verarbeitungsschritte bis hin zur Rekonstruktion dreidimensionaler Aufnahmen in der Medizintechnik.

5. Semester

Praxismodul: Die thematische Ausrichtung des Praxissemesters bestimmen Sie selbst. Sie wählen ein Unternehmen nach Ihren Vorstellungen. Wir unterstützen Sie bei der Suche nach einem zu Ihren Interessen passenden Praktikumsplatz.

6. Semester

Moderne Methoden im Data Science und Anwendungen I: Im Modul werden die in den ersten Semestern erlernten Techniken vertieft und ergänzt. Im Mittelpunkt steht die Anwendung auf Aufgaben der Bilderkennung aus verschiedenen Bereiche wie beispielsweise Sicherheitstechnik (Gesichterkennung, Retinaerkennung) oder autonomes Fahren (Objekterkennung).

Einführung in die Computerlinguistik und die Texttechnologie: Grundlagen der Text- und Sprachverarbeitung werden vermittelt. Dazu gehören unter anderem die Ähnlichkeitsanalyse von Textstellen, Verfahren zur Wortvereinfachung (Lemmatisierung), Techniken der Sprachformalisierung und statistische Methoden zur Textanalyse.

Wahlpflichtmodule: Sie wählen aus einem vielseitigen Angebot Module, die Ihre Interessen widerspiegeln und einen Bezug zu Data Science besitzen. Sowohl Anwendungsgebiete des Data Science als auch Spezialthemen zur Vertiefung innerhalb des Data Science können gewählt werden. Details zur Wahl der Vertiefung.

7. Semester

Moderne Methoden im Data Science und Anwendungen II: Im Modul werden die in den ersten Semestern erlernten Techniken vertieft und ergänzt. Im Mittelpunkt steht die Anwendung auf Zeitreihen, also Daten, die als zeitliche Abfolge von Datenpunkten vorliegen. Neben üblichen Messreihen wie Wetterdaten können auch Text- und Sprachdaten als Zeitreihen interpretiert werden. So werden im Modul unter anderem Chat-Bots besprochen.

Computergrafik und Virtuelle Welten: Die Grundlagen von 3D-Grafik and 3D-Animation werden vorgestellt. Dazu gehören insbesondere Modellierungs-, Beleuchtungs- und Projektionstechniken. Behandelt werden auch Software- und Hardware-Komponenten für Virtual-Reality-Anwendungen sowie der Einsatz von VR-Techniken in Industrie und Medizin.

Wahlpflichtmodule: Sie wählen aus einem vielseitigen Angebot Module, die Ihre Interessen widerspiegeln und einen Bezug zu Data Science besitzen. Sowohl Anwendungsgebiete des Data Science als auch Spezialthemen zur Vertiefung innerhalb des Data Science können gewählt werden. Details zur Wahl der Vertiefung.

Teilzeitstudium

Teilzeitsemester 1

Teilzeitsemester 2

Teilzeitsemester 3

Teilzeitsemester 4

Teilzeitsemester 5

Teilzeitsemester 6

Teilzeitsemester 7

Teilzeitsemester 8

Teilzeitsemester 9

Teilzeitsemester 10

Teilzeitsemester 11

Teilzeitsemester 12

Teilzeitsemester 13

Teilzeitsemester 14