Berliner Hochschule für Technik | Studium Data Science (Master)
Der Masterstudiengang "Data Science" an der BHT Berlin vermittelt umfassende Kenntnisse und Fähigkeiten in den Bereichen Big Data Analytics, Maschinelles Lernen (ML) und Deep Learning (DL). Der Studiengang ist praxisnah und bereitet die Studierenden darauf vor, in verschiedenen Industriezweigen datengetriebene Entscheidungen zu treffen und innovative Lösungen zu entwickeln.
Der Studiengang legt großen Wert auf praxisorientiertes Lernen. Studierende arbeiten mit vielfältigen Datensätzen und testen produktionsreife Lösungen. Projekte und Übungen basieren auf realen Anwendungsfällen, um die theoretischen Kenntnisse in die Praxis umzusetzen.
Studieninhalte und Struktur: Das Masterstudium umfasst vier Semester und ist in fünf Ausbildungsblöcke unterteilt:
- Grundlagen der Mathematik und Statistik
- Grundlagen der Informatik für Data Science
- Ethik und wirtschaftswissenschaftliche Aspekte für Data Science
- Machine Learning
- Anwendungsorientierte Projekte und Lehrveranstaltungen für Data Science
Module und Inhalte:
Mathematische Modelle:
- Vertiefung von Grundlagen der linearen Algebra und Analysis
- Wahrscheinlichkeitsrechnung und Statistik
- Optimierung mehrdimensionaler Funktionen
- Einsatz von Statistik- und Datenanalysesoftware zur Veranschaulichung
Grundlagen der Informatik für Data Science:
- Programmierung in bedeutenden Sprachen
- Clean Code Development und moderne Softwareentwicklungspraktiken
- Cloud Management und Software Engineering für Data Science
Statistische Programmierung:
- Programmierung in R und Python
- Deskriptive und induktive Statistik
- Anwendung von Optimierungsroutinen und statistischen Hypothesentests
Big Data Architekturen:
- Microservices, Lambda/Kappa-Architekturen und Serverless Computing
- DevOps, Container-Technologien und Cluster Management
- Streaming und Queuing Prinzipien, Web APIs und NoSQL Datenbanken
Business Intelligence & Data Mining:
- Data Warehousing, Datenbereinigung und ETL-Prozesse
- OLAP, Plattform-Ökonomie und Geschäftsmodelle für Datenprodukte
- Verwendung von Tools wie Weka, RapidMiner, KNIME und Orange
Visualisierung:
- Prinzipien der Datenvisualisierung und effiziente Kommunikation
- Ansätze für Datensätze mit unterschiedlichen Strukturierungsgraden
Machine Learning:
- Grundlegende ML-Algorithmen und deren Anwendung
- Verwendung von ML-Pipelines und modernen Datenverarbeitungstechniken
- Praxiserfahrungen durch Projekte und Fallstudien
Deep Learning:
- Mathematische Konzepte von Deep Learning
- Anwendung von Deep Learning Frameworks und Algorithmen
- Bearbeitung von Sequenzen, Bildern und Verhaltensmodellen
Optimierung:
- Optimierungsmodelle und -methoden
- Unterschiede zwischen deterministischer und stochastischer Optimierung
- Anwendung von state-of-the-art Werkzeugen und Lernkonzepten
Mehr zum Master-Studiengang "Data Science" findest Du auf den Seiten der BHT.