Informationen zum Studiengang Data Science (Master of Science)
| Abschluss: | Master of Science |
|---|---|
| Studiendauer: | 4 Semester |
| Beginn: | Wintersemester und Sommersemester |
| Zugangsvoraussetzungen: | Für die Bewerbung ist die fachspezifische Zugangsvoraussetzung nachzuweisen. Diese sind gemäß §2 (1) der Studienordnung „ein abgeschlossener Bachelorstudiengang im Fach Informatik, Wirtschaftsinformatik oder Data Science. Sie wird durch Vorlage des entsprechenden Bachelorzeugnisses beim Studentensekretariat nachgewiesen, eine gesonderte Bestätigung durch die Fakultät ist nicht notwendig.
Bei Vorliegen eines erfolgreich abgeschlossenen Bachelorstudienganges eines anderen Faches entscheidet die Prüfungskommision über die Zulassung zum Masterstudiengang Data Science (gemäß §2 (2) Studienordnung). Dazu sind folgende Nachweise per Mail an Herrn Martin Franke (zulassung.ds(at)informatik.uni-leipzig.de) zu senden:
|
| Weiterhin sind Kenntnisse der englischen Sprache auf dem Niveau B2 des Gemeinsamen Europäischen Referenzrahmens für Sprachen (oder Äquivalent) nachzuweisen. | |
| allgemeines Studienziel: | Der forschungsorientierte Masterstudiengang Data Science baut auf einem Bachelorstudiengang (Informatik und angrenzende Gebiete) auf. Der Studiengang zielt auf eine wissenschaftlich fundierte, anwendungsorientierte Ausbildung in den wesentlichen Data-Science-Gebieten des skalierbaren Datenmanagements und der Datenanalyse (Data Mining, maschinelles Lernen) ab. Daneben befähigt der Studiengang zur eigenständigen grundlagen- oder anwendungsorientierten Forschung.
Studierende erwerben grundlegende und fortgeschrittene Konzepte und Methoden des Lerngebiets Data Science und seiner wesentlichen Teilgebiete des skalierbaren Datenmanagements und der Datenanalyse, erproben diese praktisch und wenden sie umfassend an. Damit beherrschen die Absolventinnen und Absolventen die Verfahren zur Datensammlung, Datenaufbereitung und -integration, Datenanalyse und -präsentation (Visualisierung) bis hin zur Ableitung von Handlungsempfehlungen und können diese in verschiedenen Anwendungsfeldern sowohl einsetzen, als auch kritisch reflektieren. Sie besitzen zudem auf einem oder mehreren selbstgewählten Teilgebieten ein umfassendes Verständnis, das dem aktuellen Stand der Wissenschaft entspricht und sie zur Problemlösung insbesondere auch in neuen oder bisher nicht thematisierten Fachfragen befähigt. Darüber hinaus sind sie in der Lage, ihre wissenschaftlichen Arbeiten und Standpunkte innerhalb und außerhalb ihres Fachgebiets verständlich zu kommunizieren. |
| weitere Informationen: | Nähere Informationen zum genauen Ablauf des Studiums und zu den Inhalten der Pflichtmodule werden zeitnah ergänzt.
Sollten Sie weitere Fragen haben, wenden Sie sich bitte an unsere Mitarbeiterin Frau Güttler. |
| Studienverlaufsplan: | Auf detailliertere Erläuterungen wird an dieser Stelle aus Gründen der besseren Lesbarkeit verzichtet.
|
|---|
Skalierbares Datenmanagement | Datenanalyse | Anwendung/Ergänzung |
a) Data Science M.Sc., Beginn Wintersemester, ohne Schwerpunkt
Sem. | 5 LP | 5 LP | 10 LP | 5 LP | 5 LP |
1. | Skalierbare Datenbanktechnologien 1 | Künstliche neuronale Netze und maschinelles Lernen | Advanced Statistics | Grundlagen der | |
2. | Skalierbare DBT 2 | Big Data Praktikum | Multivariate Statistik und Data Mining | Grundlagen Komplexer Systeme | Aktuelle Trends in Data Science |
3. | Fortgeschrittene Methoden des Information Retrieval | Wissenschaftliche Visualisierung | Sequenzanalyse und Genomik | ||
4. | Master-seminar | Masterarbeit | |||
Tabelle 1: Beispielhafter Studienablauf Master of Science Data Science für Studierende mit Beginn im Wintersemester ohne Schwerpunktsetzung.
b) Data Science M.Sc., Beginn Sommersemester, ohne Schwerpunktmit
Sem. | 5 LP | 5 LP | 10 LP | 5 LP | 5 LP |
1. | Skalierbare DBT 2 | Prakt. Data Warehouse/ Data Mining | Multivariate Statistik und Data Mining | Textdaten-banken | Aktuelle Trends in Data Science |
2. | Skalierbare Datenbanktechnologien 1 | Künstliche neuronale Netze und maschinelles Lernen | Fortgeschrittene Methoden des Information Retrieval | ||
3. | Big Data Praktikum | Grundlagen Komplexer Systeme | Mathematische Statistik | Neuroinspirierte Informationsverarbeitung | |
4. | Master-seminar | Masterarbeit | |||
Tabelle 2: Beispielhafter Studienablauf Master of Science Data Science für Studierende mit Beginn im Sommersemester ohne Schwerpunktsetzung.
c) Data Science M.Sc. mit Schwerpunkt "Skalierbares Datenmanagement"
Sem. | 5 LP | 5 LP | 10 LP | 5 LP | 5 LP |
1. | Skalierbare Datenbanktechnologien 1 | Künstliche neuronale Netze und maschinelles Lernen | Grundlagen der | Praktikum Data Warehouse/ Data Mining | |
2. | Skalierbare DBT 2 | Big Data Praktikum | Multivariate Statistik und Data Mining | Textdatenbanken | Aktuelle Trends in Data Science |
3. | Fortgeschrittene Methoden des Information Retrieval | Wissens- und Content Management | Verfahren und Anwendungen in den Digital Humanities | ||
4. | Master-seminar | Masterarbeit | |||
Tabelle 3: Beispielhafter Studienablauf Master of Science Data Science für Studierende mit dem Schwerpunkt „Skalierbares Datenmanagement“.
d) Data Science M.Sc. mit Schwerpunkt „Datenanalyse“
| Sem. | 5 LP | 5 LP | 10 LP | 5 LP | 5 LP |
1. | Skalierbare Datenbanktechnologien 1 | Statistisches Lernen | Sequenzanalyse und Genomik | ||
2. | Skalierbare DBT 2 | Big Data Praktikum | Multivariate Statistik und Data Mining | Grundlagen Komplexer Systeme | Aktuelle Trends in Data Science |
3. | Text Mining | Künstliche neuronale Netze und maschinelles Lernen | Visualisierung | ||
4. | Master-seminar | Masterarbeit | |||
Tabelle 4: Beispielhafter Studienablauf Master of Science Data Science für Studierende mit dem Schwerpunkt „Datenanalyse“.
