Data Science Studium: Inhalte im Master

Sie lernen die mathematischen Grundlagen und Methoden aus den Bereichen lineare Algebra, Analysis und Statistik kennen, die die Fundamente der Datenverarbeitung und -analyse legen. Die Themen umfassen zum Beispiel:

• Lineare Algebra: Skalare, Vektoren, Matrizen und ihre Operationen, Norm, innere/äußere Produkte, Rang, Determinante, Eigenvektoren und Eigenwerte
• Analysis: (partielle) Differentiation und Integration, Gradienten, Dualität
• Statistik: Diskrete und kontinuierliche Zufallsvariablen, Dichte- und Verteilungsfunktionen, Momente von Verteilungen, statistische Testverfahren

Sie lernen die wichtigsten Grundlagen und Konzepte des maschinellen Lernens kennen, die es Ihnen ermöglichen, geeignete datengetriebene Vorhersagemodelle für eine Problemstellung zu identifizieren, implementieren, trainieren und evaluieren und interpretieren. Themen sind zum Beispiel:

• Entscheidungsbäume, Merkmalsvektoren, Modelle, Empirische Risikominimierung, Verlustfunktionen, Klassifikation, Regression, (stochastic) Gradient-Descent, alternative Optimierungsstrategien, Regularisierung, Support-Vector-Machines, Kernel, Clusterings, Mixture-Models, Evaluationsmetriken und Experimentalaufbau

Sie lernen die Grundlagen von (tiefen) neuronalen Netzen sowie die derzeit gängigsten Architekturen, Trainingsmethoden usw. kennen und können diese mit Hilfe von aktuellen Bibliotheken (z. B. Tensorflow, PyTorch) implementieren, trainieren und evaluieren. Themen sind zum Beispiel:

• Multi-Layer-Perzeptron, Aktivierungsfunktionen, Universal Approximation, Backpropagation, (Variational) Autoencoder, Rekurrente Netze, Vanishing Gradients, LTSM/GRU-Layer, Convolutions, Transformer, Diffusion-Models, Graph Networks

In diesem Modul werden Sie mit ausgewählten und fortgeschrittenen Methoden und Problemstellungen des maschinellen Lernens vertraut gemacht, die auf den grundlegenden Modulen aus dem ersten Semester aufbauen. Der Kurs vertieft dabei die bereits gelernten Inhalte und verbindet dies mit aktuellen Entwicklungen als auch Interesse der Studierenden. Die Themen sind daher variabel, eine Auswahl aus vergangenen Semestern ist z. B.:

• Empfehlungssysteme, probabilistische Inferenz, Graphische Modelle, halbüberwachtes und aktives Lernen, Reinforcement Learning, strukturierte Vorhersagemodelle, Decoding, nicht i.i.d. gezogene Daten, Anwendungen in ausgewählten Domänen, weitere Performanzmetriken wie z. B. AUC, Ranking

In diesem Modul werden Sie mit den Konzepten und Technologien vertraut gemacht, die für die Speicherung, Verarbeitung und Suche von großen Datenmengen erforderlich sind. Der erste Teil des Moduls konzentriert sich auf Datenbanken für unstrukturierte und große Datenmengen, während der zweite Teil Themen aus dem Bereich Information Retrieval behandelt:

• Datenbanken: NoSQL-Datenbanken, Document Stores, Graphdatenbanken, Key-Value-Stores, Spaltenorientierte Datenbanken, horizontale und vertikale Skalierun, Atomicity Consistency Isolation & Durability (ACID), Consistency Availability & Partition Tolerance (CAP)
• Information Retrieval: Suchmaschinen, invertierter Index, Map Reduce/Hadoop, approximate Search, Min-Hashing, LSH, Empfehlungssysteme

Sie erhalten einen Überblick über die Grundsätze der Data Economy (Datenwirtschaft) und lernen datengetriebene Geschäftsmodelle und deren Umsetzung zu analysieren:

Datengetriebene Geschäftsmodelle


Im Laufe des Moduls werden Sie mit verschiedenen datengetriebenen Geschäftsmodellen vertraut gemacht, die in unterschiedlichen Branchen und mit verschiedenen Problemstellungen eingesetzt werden. Hier lernen Sie, wie Sie diese Modelle systematisch aus unterschiedlichen Perspektiven analysieren.

Use-Cases aus unterschiedlichen Branchen

Um Ihnen ein umfassendes Verständnis von datengetriebenen Geschäftsmodellen zu vermitteln, werden wir mehrere Use-Cases aus unterschiedlichen Branchen und mit verschiedenen Problemstellungen bearbeiten. Hier lernen Sie, wie Sie erfolgreiche Anwendungen und Einsatzgebiete von datenbasierten Methoden kennen und auf Ihren eigenen beruflichen Alltag transferieren können.

In diesem Modul haben Sie die Gelegenheit, Ihr erlerntes Fachwissen in Form eines Projektes praktisch anzuwenden. Unter Anleitung und Begleitung der Dozierenden werden Sie ein Projekt durchführen, das Ihnen ermöglicht, ein Problem aus Ihrem beruflichen Alltag zu bearbeiten und sich vertiefend mit spezifischen Herausforderungen Ihrer individuellen Fachdomäne auseinanderzusetzen und Ihre Fähigkeiten in der Analyse von großen Datenmengen zu verbessern.

In diesem Modul entwickeln Sie ethische Perspektiven, um mit öffentlichen und privaten Daten innerhalb der IT-orientierten Zivilgesellschaft verantwortungsvoll umzugehen. Sie erlernen multidisziplinär die Fertigkeit, komplexe ethische Fragestellungen zu analysieren und kritisch zu reflektieren.

Eigentumsrechte an Daten


Eine der wichtigsten ethischen Fragestellungen im Umgang mit Daten ist, wem Daten gehören. Hier lernen Sie, wie Sie die Eigentumsrechte an Daten analysieren und kritisch reflektieren, um sicherzustellen, dass diese verantwortungsvoll verwendet werden.

Datenschutz und -sicherheit

Ein weiteres wichtiges ethisches Thema ist die Frage, welche Daten verwendet oder kombiniert werden dürfen, um weitere Informationen zu erhalten. 

Ethische Vereinbarungen


Schließlich lernen Sie, wie Sie Vereinbarungen analysieren und kritisch reflektieren, die aus ethischen Gründen eingehalten werden sollen, obwohl daraus ein wirtschaftlicher Nachteil entstehen könnte. 

Sie erarbeiten Kriterien für psychologisch fundiertes Führungsverhalten, analysieren Ihren persönlichen Kommunikationsstil und bauen so Ihre Kompetenzen als verantwortungsvolle Führungskraft aus. Ein weiterer Teil dieses Moduls ist das verantwortungsbewusste Management von Veränderungsprozessen in Unternehmen und Organisationen. Darüber hinaus reflektieren Sie die Bedeutung der Unternehmensethik und lernen, den bewussten Umgang mit Werten zu vermitteln.

• Führung und Verantwortung
• Veränderungen sinnvoll gestalten
• Ethik und Werte

Im dritten Semester schreiben Sie Ihre Masterarbeit. Das Thema der Masterarbeit kann einem Forschungskontext entspringen oder auch eine Problemstellung aus Ihrem beruflichen Alltag thematisieren.

Es besteht die Möglichkeit, ohne Zusatzkosten eine erweiterte Masterarbeit (bis zu 30 CP) anzufertigen, um die 300-CP-Richtlinie zu erfüllen.

Zweimal pro Jahr veranstaltet die Leuphana Professional School zudem eine Abschlussarbeitswoche, bei der es vor Ort auf dem Campus vielfältige Unterstützungsgebote rund um das Planen und Schreiben der Abschlussarbeit gibt. Alle Studierenden der Professional School können im Laufe ihres berufsbegleitenden Studiums einmalig kostenfrei teilnehmen.

Die Ordnungen zur Zulassung, die Rahmenprüfungsordnung (RPO) sowie die Fachspezifischen Anlagen (FSA) bilden den rechtlichen Rahmen für Ihr Studium. Zu den Ordnungen

Die Professional School bietet Ihnen verschiedene Coaching-Formate, in denen Sie zum Beispiel Ihre Studien- und Karriereplanung reflektieren und definieren können, gemeinsam mit den Coaches an persönlichen Stärken arbeiten oder Ihr Zeit-, Selbst- und Konfliktmanagement optimieren können. Die Nutzung eines Coaching-Angebots ist für Bachelor- und Masterstudierende der Professional School als fester Studienbestandteil einmalig kostenfrei.

Zur Erlangung des Mastergrades müssen aufgrund gesetzlicher Vorschriften nach Abschluss des Studiums inkl. der akademischen Erstausbildung 300 CP studentischen Workloads nachgewiesen werden. Sie haben die Möglichkeit, evtl. noch fehlende CP z. B. durch die Anrechnung von Berufserfahrung oder die Belegung zusätzlicher Wahlmodule während Ihres Weiterbildungsstudiums zu erwerben. Auch das Anfertigen einer Projektarbeit oder einer erweiterten Masterarbeit möglich, um weitere CP ohne Zusatzkosten zu erwerben.

Gern beratern wir Sie hierzu im persönlichen Gespräch. 

Informationen zur 300-CP-Richtlinie

Sie interessieren sich für unsere Inhalte, möchten aber kein ganzes Studium absolvieren? Buchen Sie einzelne Module oder steigen über unser Zertifikat Künstliche Intelligenz und maschinelles Lernen ein. Weitere Informationen finden Sie auf unserer Seite Flexibler Einstieg.