Alles auf einen Blick
Abschluss: Master of Science (M.Sc.) Regelstudienzeit: 4 Semester Beginn: Winter- und Sommersemester Bewerbungsfrist (WS): Mitte September (deutscher Abschluss) & Mitte Juli (ausländischer Abschluss) Zulassungsart: zulassungsfrei Fakultät: Mathematik (und Informatik) Lehrsprache: vorwiegend Deutsch

Warum Data Science studieren?

Mit dem Terminus "Data Science" wird seit ca. 7 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

• Wirtschaftswissenschaften (Kaufverhalten von Konsumenten vorhersagen oder Kreditwürdigkeit bewerten)
• Ingenieurwissenschaften (Entwicklung autonomer Fahrzeuge oder intelligenter Bildverarbeitung)
• Geisteswissenschaften (Übersetzung und Interpretation natürlicher Sprache sowie "digital humanities")
• Human- und Sozialwissenschaften (Wahlanalyse anhand demographischer Daten)
• Medizin (Datenbasierte Diagnostik) sowie in der Pharmazie (Datenbasiertes Wirkstoffdesign)
• Justiz (Rückfallprognose von Straftätern)

Die anhaltende Kostenreduktion und Fortschritte in Rechen- und Speichertechnologien, die weltweite Datenproduktion im Überfluss, die Forschung an innovativen Algorithmen wie im maschinellen Lernen sowie die hohe Nachfrage der Wirtschaft nach Fachkräften mit Expertise in Data Science machen diese Fähigkeiten zu einem Schlüssel für Karriere und Forschung. Der Masterstudiengang an der TU Chemnitz ermöglicht ab dem Wintersemester 2018/19 den Erwerb fortgeschrittener Data-Science-Kenntnisse. Absolventen profitieren von vielversprechenden beruflichen Möglichkeiten im südwestsächsischen Arbeitsmarkt und haben gute Chancen auf internationale Karrierewege sowie weitere Qualifizierungsmöglichkeiten im Hochschulbereich.

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. 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

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. 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. 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

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

Über das Studium

Studiendokumente-DS
Studienordnung Prüfungsordnung Studienablaufplan Studienordnung 2018 Prüfungsordnung 2018 Studienablaufplan 2018 Modulverzeichnis Modulverzeichnis 2018 Weitere Studienablaufpläne Flyer Studiengangsinformation - barrierefrei

Studienberater