BSc Data Science

Daten
© colourbox.de Data Science
Tastatur colorbox.de
© colourbox.de Informatik
Hände am PC
Machine Learning
Matheformeln
© colourbox.de Mathematik

Der Studiengang

Studierende im Vorlesungssaal
  • Wie trainiert man ein neuronales Netzwerk?
  • Für welche Aufgaben ist Machine Learning sinnvoll?
  • Wie kann man hoch-dimensionale Daten verstehen?
  • Wie unterscheidet man zufällige Muster von wahren?
  • Wie kann ein Computer Texte übersetzen?

Wenn Sie sich schon mal Fragen dieser Art gestellt haben und Interesse an den komplexen Zusammenhängen von großen Datenmengen haben, dann könnte dieser Studiengang, den es vorraussichtlich ab dem Wintersemester 2022 an der KU Eichstätt-Ingolstadt geben wird, für Sie interessant sein.

Die Erfolge der Künstlichen Intelligenz und insbesondere des Maschinellen Lernens belegen das Potential mathematischer und statistischer Methoden. Die Zusammenhänge von großen Datenmengen zu entdecken und diese nutzbar zu machen, ist dabei ein wesentlicher Bestandteil der Data Science. Der neue Studiengang Data Science vermittelt die Grundlagen des maschinellen Lernens und anderer aktueller Verfahren zur Datenanalyse, sowie die Fähigkeit, diese Verfahren mit modernen Softwaretechnologien effizient umzusetzen. Die Wahl einer Spezialisierung erlaubt eine Vertiefung der mathematischen Grundlagen und/oder die Verbreiterung in Richtung eines Anwendungsgebietes. 

Studienprogramm und -aufbau

Der Studiengang vermittelt die der Data Science zugrundeliegenden Kenntnisse aus den Studienbereichen 

  • Mathematik 

  • Statistik 

  • Informatik 

und ergänzt diese durch fachübergreifende Lehrveranstaltungen im Bereich der  

  •  Data Science 

Erweitert wird dieser Studiengang durch die Möglichkeit zur Wahl einer Spezialisierung in sechs unterschiedlichen Anwendungsbereichen. Dadurch soll eine interdisziplinäre Perspektive auf die Datenwissenschaften und den digitalen Transformationsprozess in Unternehmen und Gesellschaft vermittelt werden. 

Studienverlaufsplan Data Science

Sie können innerhalb des Studiengangs Lehrveranstaltungen für folgende Spezialisierungen besuchen:

  • Applied Mathematics and Scientific Computing 

  • Business Analytics and Operations 

  • Digital Transformation of Society 

  • Environmental Sciences 

  • Finance and Economics 

  • Machine Learning and Statistics 

Studienverlaufspläne der Spezialisierungen

Applied Mathematics and Scientific Computing

Applied Mathematics and Scientific Computing

Business Analytics and Operations

Business Analytics and Operations

Digital Transformation of Society

Digital Transformation of Society

Environmental Sciences

Environmental Sciences

Finance and Economics

Finance and Economics

Machine Learning and Statistics

Machine Learning and Statistics

Die Kompetenzvermittlung und der Wissenserwerb erfolgen mit etablierten und modernen Lehrkonzepten, z.B. praktischen Übungen, Projektarbeiten in kleinen Gruppen und Vorlesungen. Somit erlernen Sie Arbeitsmethoden und Konzepte, die in weiten Bereichen der IT Branche und darüber hinaus eingesetzt werden. Absolventen und Absolventinnen des Studiengangs sind in der Lage, sowohl methodisch (z.B. als Data Analyst, Data Engineer) als auch konzeptuell (z.B. als Data Strategist) die fortschreitende Digitalisierung aktiv mitzugestalten. 

Materialien zum Studium

Inhalt folgt

Info & Beratung

Götz Pfander
Prof. Dr. Götz Pfander
Inhaber des Lehrstuhls Mathematik - Wissenschaftliches Rechnen | Prodekan
Gebäude KG Bau B | Raum: KGB-110
Sprechstunde
nach Vereinbarung

Am Studiengang beteiligte Professuren

Lehrstuhl für Mathematik - Wissenschaftliches Rechnen

Prof. Dr. Götz Pfander

Zur Seite des Lehrstuhls: HIER

Lehrstuhl für Reliable Machine Learning

Prof. Dr. Felix Voigtlaender

Zur Seite des Lehrstuhls: HIER

Lehrstuhl für Angewandte Mathematik

Prof. Marcel Oliver

Seite folgt

Lehrstuhl für Geomatik und Geomathematik

laufendes Berufungsverfahren

Lehrstuhls für Mathematik - Statistik

Prof. Dr. Johannes Krebs

zur Seite des Lehrstuhls: HIER

Juniorprofessur für Mathematik - Data Science

Junior Prof. Dr. Dominik Stöger

Zur Seite: HIER