Data Science , Master of Science (M.Sc.)
Information for foreign applicants
- our course has German language requirements, i.e., German on the level C1 or equivalent
- if you do not have a first degree from a German university you need to apply via uni-assist until the typically the 15th of July! Don't wait until the last minute.
- For students interested with no German knowledge, we do offer an international Master on Advanced and Computational Mathematics where you can take most Data Science courses.
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.
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
Prof. Dr. Uta Freiberg
Prof. Dr. Fred Hamker
Prof. Dr. Christoph Helmberg
Prof. Alois Pichler PhD
Prof. Dr. Daniel Potts
Prof. Dr. Vladimir Shikhman
Prof. Dr. Martin Stoll
Dr. Julien Vitay
Lernen
Wohnheim an der TU Chemnitz
Studiendokumente-DS | Sonstiges |
---|---|
Studienberater | |
---|---|
![]() Prof. Dr. Martin Stoll
|