Warum Data Science studieren?

Mit dem Terminus `Data Science' wird seit ca. 5 Jahren eine neue Disziplin bezeichnet mit dem Ziel, aus sehr großen, oft unstrukturierten Datenmengen Information und Erkenntnis zu gewinnen. Anwendungen finden sich in nahezu allen Bereichen menschlichen Lebens, beispielsweise

• in den Wirtschaftswissenschaften, wo anhand riesiger Kundendatenbanken das Kaufverhalten von Konsumenten zu antizipieren oder deren Kreditwürdigkeit zu bewerten ist;
• in den Ingenieurwissenschaften bei der Entwicklung autonomer Fahrzeuge oder der intelligenten Bildverarbeitung;
• in den Geisteswissenschaften bei der maschinellen Übersetzung und Interpretation natürlicher Sprache sowie der Auswertung von nach Digitalisierung elektronisch verfügbaren Text- und Bildbeständen („digital humanities“);
• in den Human- und Sozialwissenschaften bei der Beurteilung von Wählerüberzeugungen anhand der Daten sozialer Netzwerke;
• in der Medizin bei der datenbasierten Diagnostik sowie in der Pharmazie bei datenbasiertem Wirkstoffdesign;
• in der Justiz bei der Rückfallprognose von Straftätern.

Die sich fortsetzende Kostenreduktion und Weiterentwicklung von Rechen- und Speichertechnik, die ungebremste weltweite Produktion neuer Daten, die intensive Forschung an neuen Algorithmen, etwa bei maschinellem Lernen, und nicht zuletzt die enorme Nachfrage der Wirtschaft nach Absolventen mit Spezialkenntnissen aus diesem Bereich machen Kenntnisse in Data Science zu einer Schlüsselkompetenz für Arbeitsmarkt und Forschung. Mit diesem Masterstudiengang soll an der TU Chemnitz ab dem Wintsersemester 2018/19 der Erwerb fortgeschrittener Data-Science-Kenntnisse ermöglicht werden. Insbesondere die Entwicklung des südwestsächsischen Arbeitsmarktes verspricht seinen Absolventen die Aussicht, auch im Chemnitzer Umfeld anspruchsvolle berufliche Tätigkeiten zu finden. Natürlich haben Absolventen des Masterstudiums Data Science durch ihre spezielle Ausbildung gute Chancen auf einen höheren Berufseinstieg in Unternehmen weltweit und die Möglichkeit der weiteren Qualifizierung im Hochschul- und Universitätsbereich.

Wer kann bei uns Data Scientist werden?

Data Science lebt von mathematischen Methoden mit starken Bezügen zur Informatik. Unser Masterstudiengang ist daher offen nicht nur für Absolventen aus der Mathematik, sondern auch mathematiknaher Disziplinen wie Informatik, Elektrotechnik und Physik. Diese Absolventen werden automatisch zugelassen, wenn Ihr Studium ausreichend mathematische Credit Points beinhaltet, aber auch Absolventen anderer Studiengängen können nach Einzelfallprüfung zum Data Science Studium zugelassen werden.

Bis wann habe ich Zeit?

Der Studiengang ist zulassungfrei, wenn die oben genannten Voraussetzungen erfüllt sind und die Immatrikulationsfrist für zulassungsfreie Studiengänge endet Mitte Juli für Bewerber*innen mit einem Abschluss aus dem Ausland und Mitte September für Bewerber*innen mit Studienabschluessen einer deutschsprachigen Universität.

Unsere Erfolge

Unsere Studierenden nehmen regelmäßig am Data Mining Cup teil - mit tollen Platzierungen!
Nahezu alle Studierenden sind Werkstudierende in der lokalen Industrie und Wirtschaft.
Das Modellierungsseminar wird gemeinsam mit Partnern aus Industrie und Wirtschaft durchgeführt, beispielsweise Prudsys, KPMG, FDTech, Intenta, Porsche, etc.

Wer kann bei uns Data-Science studieren?

Data Science lebt von mathematischen Methoden mit starken Bezügen zur Informatik. Unser Masterstudiengang ist daher offen nicht nur für Absolventen aus der Mathematik, sondern auch mathematiknaher Disziplinen wie Informatik, Elektrotechnik und Physik. Diese Absolventen werden automatisch zugelassen, aber auch Absolventen anderer Studiengänge können nach Einzelfallprüfung zum Data Science Studium zugelassen werden.
Dafür werden Sie sich bitte an datascience@math.tu-chemnitz.de.

Bitte bewerben Sie sich im Bewerberportal der TU Chemnitz.

Pflichtmodule

Introduction to Data Science Foundations of learning     Statistical learning      Supervised Learning      Unsupervised learning

Modellierungsseminar Industrial collaboration     Collaborations      Coding      Modeling

Neurocomputing Neural Networks     LSTM      Deep Spiking Networks      Reservoir computing

Wahlpflichtmodule

Mathematical Foundations of Big Data Analytics Clustering     Supervised Learning      BI Applications      SVM

Matrix Methods in Data Science Factorizations (SVD/QR/CUR/NMF)     Graph-based learning      Tensor Methods      Algorithms for Gaussian processes

Statistics in Data Science Topic     Statistical foundations      Sampling      Gaussian processes

Optimization in Machine Learning Optimization for Deep Learning      Kernel Methods      ResNets      CNNs

Deep Reinforcement Learning Topic     Policy gradient methods      Hierarchical RL      Value-based deep RL

Prof. Dr. Oliver Ernst

Karriere:

Dipl. Math. Karlsruhe, PhD Stanford, University of Maryland, TU Freiberg

Forschung:

Uncertainty quantification, Numerical Linear Algebra, Numerical Analysis

Lehre:

Einführung Data Science, Uncertainty quantification, Numerische Lineare Algebra

E-Mail:

oliver.ernst@math.tu-chemnitz.de

Prof. Dr. Uta Freiberg

Karriere:

Dipl. Math. HU Berlin, PhD FSU Jena, La Sapienza Rom, ANU Canberra, Uni Stuttgart

Forschung:

Stochastic processes, Fractals, Energy forms

Lehre:

Stochastik, Stochastische Prozesse, Fraktale

E-Mail:

uta.freiberg@math.tu-chemnitz.de

Prof. Dr. Fred Hamker

Karriere:

Dipl. Ing. Paderborn, PhD TU Ilmenau, Universität Frankfurt, Caltech, Uni Münster

Forschung:

Neuro-cognitive Systems, Computational Neuroscience, Neuro-computational models of attention and perception

Lehre:

Einführung Künstliche Intelligenz, Neurokognition

E-Mail:

fred.hamker@informatik.tu-chemnitz.de

Prof. Dr. Christoph Helmberg

Karriere:

Dipl. Ing. TU Graz, PhD TU Graz, Zuse Institut Berlin

Forschung:

Discrete Optimization, Semidefinite Programming, Convex Optimization

Lehre:

Diskrete Optimierung, Graphentheorie, Nichtlineare Optimierung

E-Mail:

christoph.helmberg@math.tu-chemnitz.de

Prof. Alois Pichler PhD

Karriere:

Studium Math. und Physik Universität Wien, PhD Universität Wien, tätig in der Versicherungindustrie

Forschung:

Statistics and Probability Theory, Optimization under Uncertainty, Finance, Risk Theory

Lehre:

Statistische Methoden in Data Science, Stochastische Optimierung

E-Mail:

alois.pichler@math.tu-chemnitz.de

Prof. Dr. Daniel Potts

Karriere:

Dipl. Math. Rostock, PhD Lübeck,

Forschung:

Fourier Analysis, NFFT, Fast summation methods, Big Data Learning

Lehre:

Sparse and High-Dimensional Approximation, Einführung in die Fourier-Analysis

E-Mail:

daniel.potts@math.tu-chemnitz.de

Prof. Dr. Vladimir Shikhman

Karriere:

Dipl. Math RWTH Aachen, PhD RWTH Aachen, Catholic University of Louvain

Forschung:

Economic Equilibrium Analysis, Nonsmooth Optimization

Lehre:

Big Data Analytics, Mathematik im Investmentbanking

E-Mail:

vladimir.shikhman@math.tu-chemnitz.de

Prof. Dr. Martin Stoll

Karriere:

Dipl. Math. Chemnitz, PhD Oxford, University of Oxford, MPI Magdeburg

Forschung:

Numerical Linear Algebra, Numerical Analysis, Data Science

Lehre:

Matrix Methoden in Data Science, Numerische Lineare Algebra, Numerik

E-Mail:

martin.stoll@math.tu-chemnitz.de

Dr. Julien Vitay

Karriere:

Msc. University of Rennes, PhD University Henri Poincaré Nancy, TU Chemnitz

Forschung:

Deep RL Learning, Neuro-computational models of Emotion and Reward systems, Facial expression recognition

Lehre:

Maschinelles Lernen, Bildverstehen

E-Mail:

julien.vitay@informatik.tu-chemnitz.de

Johannes

Statement:

"Spezialisten im Bereich Data Science sind heiß begehrt auf dem Arbeitsmarkt. Das Programm vermittelt viel Theorie, welche aber auch in praktischen Übungen umgesetzt wird. Des Weiteren bietet der Master eine sehr flexible Studienordnung mit viel Wahlmöglichkeiten und Platz für individuelle Vertiefungen. Obwohl Chemnitz eine kleine Universität ist, wird sehr viel geboten. Hervorzuheben ist das ausgesprochen gute Betreuungsverhältnis an der mathematischen Fakultät.“

Bachelor:

Wirtschaftsmathematik, LMU München

---

Markus

Statement:

“Data Science – “The sexiest job of the 21st century” (HBR). Mathematik, sexy und Chemnitz. – Wie passt das zusammen? An der TU Chemnitz werden die essenziellen Inhalte, die zum Beruf des Data Scientisten notwendig sind, auf ansprechende Art und Weise vermittelt, indem theoretische Inhalte mit praxisorientierten Übungen verknüpft werden. Dabei zeichnet sich das Studium vor allem durch die hohe Lehrqualität und das sehr gute Betreuungsverhältnis aus. Kombiniert mit der individuellen Gestaltungsmöglichkeit des Studienablaufs wird der bestmögliche Lernfortschritt, angepasst an den vorherigen Wissensstand, erzielt. Kommend von einem nicht mathematisch verwandten Bachelorstudiengang, ist der herausfordernde Masterstudiengang Data Science an der mathematischen Fakultät an der TU Chemnitz die perfekte Entscheidung.“

Bachelor:

Wirtschaftsingenieurwesen, DHBW Mannheim

---

Georg

Statement:

“Internet of Things, Industrie 4.0, autonomes Fahren, … Viele solcher Schlagworte geistern in letzter Zeit durch die Medien. Dabei werden sie alle durch eines verbunden: Das Aufkommen immer größerer Datenmengen. Die TU Chemnitz bietet die Gelegenheit, sich mit dem Master Data Science für die daraus resultierenden Problemstellungen zu wappnen. Dabei profitieren Studenten von der äußerst umfassenden Betreuung und dem Engagement der Dozenten, was im Universitätsumfeld alles andere als selbstverständlich ist. Durch die Flexibilität der Studienordnung wird man motiviert eigene Studienschwerpunkte zu setzen. Der Kontakt zu regionalen, aber auch internationalen Unternehmen wird nicht nur gewünscht, sondern auch durch Vorträge und die Zusammenarbeit in verschiedenen Modulen gefördert."

Bachelor:

Physik, TU Chemnitz

---

Shiwen

Statement:

“As data analysis becomes a trend in the world, professionals with relevant knowledge become more important. TU Chemnitz starts this major “Data Science” happens to meet the need . The Data Science in TU Chemnitz not only values the students' theoretical knowledge, but also provide a great opportunity for students to cooperate with the company, to let us practice with real projects. In addition, all the professors here are also patient and friendly."

Bachelor:

Computer Science

Lernen

Studiendokumente-DS	Sonstiges
Studienordnung Prüfungsordnung Studienablaufplan Studienordnung 2018 Prüfungsordnung 2018 Studienablaufplan 2018 Modulverzeichnis Modulverzeichnis 2018 Weitere Studienablaufpläne Flyer Program information - barrier-free[de]

Studienberater