Data Science Studium: Inhalte im Master
Der Masterstudiengang Data Science ist so konzipiert, dass Sie während Ihres Studiums voll berufstätig bleiben können. Die Lehrveranstaltungen finden an den Wochenenden statt und zwischen den Kontaktveranstaltungen bereiten Sie die Lehrinhalte im angeleiteten Selbststudium durch Bearbeitung von Lehrmaterialien (Bücher, Übungen, E-Learning), die wir Ihnen auf unserer Lernplattform zur Verfügung stellen, vor und nach.
Die Module im Master Data Science im Überblick
Der 3-semestrige Master setzt sich aus fünf Fachmodulen, drei Transfermodulen, einem komplementären Modul sowie der Masterarbeit zusammen.
Im ersten Semester erwerben Sie die für Data Science relevanten Grundlagen der Mathematik und des maschinellen Lernens (DS-F1 und DS-F2). Sie erhalten eine Einführung in das breite Spektrum der Datenwissenschaften und erwerben grundlegende Kenntnisse zu fortgeschrittenen Datenanalyse- und Verarbeitungs-Methoden, die Sie in den übrigen Fachmodulen (DS-F3 bis DS-F5) vertiefen. In jedem Semester belegen Sie zudem ein Transfermodul (DS-F6 bis DS-F8), um Ihr erworbenes Wissen in einen anwendungsorientierten und kritischen Kontext zu setzen. Im letzten Semester verfassen Sie Ihre Masterarbeit, die thematisch einen Bezug zu Ihrem beruflichen Alltag haben kann.
Hierbei profitieren Sie von der Möglichkeit, berufliche Fragestellungen und Projekte zu bearbeiten sowie persönliche Interessen miteinzubringen. Im letzten Semester verfassen Sie Ihre Masterarbeit, die thematisch ebenfalls einen Bezug zu Ihrem beruflichen Alltag haben kann.
Fachmodule
DS-F1 Mathematik & Statistik (5 CP)
Sie lernen die wichtigsten mathematischen Grundlagen und Methoden der Datenwissenschaften kennen. Die Themen umfassen zum Beispiel:
- Skalare, Vektoren, Matrizen und grundlegende Operationen (Multiplikation, Determinante etc.)
- Normen von Vektoren und Matrizen
- Eigenvektoren und Eigenwerte
- (partielle) Differentiale und Gradienten
- Optimierung von Funktionen mit einem oder mehreren Argumenten und Nebenbedingungen
- Statistische Testverfahren
- Diskrete und kontinuierliche Zufallsvariablen
- Ausgewählte Wahrscheinlichkeitsverteilungen und ihre Eigenschaften (Erwartungswert etc.)
DS-F2 Grundlagen des maschinellen Lernens (5 CP)
Sie lernen die wichtigsten Grundlagen und Konzepte des maschinellen Lernens kennen, wie zum Beispiel:
- Empirische Risikominimierung (Lineare Regression, logistische Regression, Perzeptron)
- Regularisierte empirische Risikominimierung (Regularized Least Squares Regression, Support Vector Machines)
- Kernel Methods
- Entscheidungsbäume
- Clustering (k-means, Expectation Maximization)
DS-F3 Deep Learning / Neuronale Netze (5 CP)
Sie lernen die Grundlagen von (tiefen) neuronalen Netzwerken und ausgewählte Netz-Architekturen zum Lösen unterschiedlicher Problemstellungen. Themen sind zum Beispiel:
- Feedforward Neural Networks
- Unterschiedliche Aktivierungsfunktionen und Aufbau von Netzwerk-Layer
- Training von neuronalen Netzen via Gradient Descent, Backpropagation, unterschiedlichen „Loss“-Funktionen und Optimierungsalgorithmen
- „Vanishing gradients“ und Initialisierung von neuronalen Netzen
- Netz-Architekturen wie
- Convolutional Neural Networks (convolutions, padding, stride, dilated convolutions)
- Autoencoder
- Rekurrente neuronale Netzwerke
- Generative Adversarial Neural Networks
DS-F4 Vertiefung des maschinellen Lernens (5 CP)
Aufbauend auf den grundlegenden Modulen aus dem ersten Semester werden in diesem Modul ausgewählte und fortgeschrittene Methoden und Problemstellungen des maschinellen Lernens thematisiert, wie zum Beispiel:
- Probabilistische graphische Modelle (Modellierung und Inferenz)
- Strukturierte (sequentielle) Problemstellungen
- Ausgewählte Themen nach aktuellem Stand der Forschung, wie z. B.
- Gaussian Processes
- Reinforcement Learning
- Mixture Models
DS-F5 Datenbanken & Information Retrieval (5 CP)
Sie befassen sich mit der Speicherung und Verarbeitung von großen Mengen an Daten. Im ersten Teil des Moduls werden Datenbanken für unstrukturierte und große Datenmengen und zugrundeliegende Konzepte besprochen. Themen sind zum Beispiel:
- NoSQL-Datenbanken
- Document Stores
- Graphdatenbanken
- Key-Value-Stores
- Spaltenorientierte Datenbanken
- Horizontale und vertikale Skalierung
- ACID, CAP-Theorem und MapReduce
Im zweiten Teil werden Themen aus dem Bereich Information Retrieval angesprochen, wie zum Beispiel:
- Suchmaschinen (Invertierter Index)
- Approximate Search (k-Nearest Neighbor, Min-Hashing, Locality-Sensitive Hashing)
- Recommender Systems
Transfermodule
DS-F6 Data Economy (5 CP)
Sie erhalten einen Überblick über die Grundsätze der Data Economy (Datenwirtschaft) und lernen datengetriebene Geschäftsmodelle und deren Umsetzung systematisch aus unterschiedlichen Perspektiven, wie z. B. der IT-Architektur, der Branche etc., zu analysieren.
Im Laufe des Moduls werden unter anderem mehrere datengetriebene Use-Cases aus unterschiedlichen Branchen und mit verschiedenen Problemstellungen bearbeitet. Sie lernen erfolgreiche Anwendungen und Einsatzgebiete von datenbasierte Methoden kennen, die Sie auf Ihren eigenen beruflichen Alltag transferieren können.
DS-F7 Analyse von großen Datenmengen (5 CP)
In diesem Modul wenden Sie Ihr erlerntes Fachwissen in Form eines Projektes praktisch an und werden dabei von den Dozierenden angeleitet und begleitet. Es ist explizit erwünscht (wenn auch keine Voraussetzung), dass Sie Problemstellungen aus ihrem beruflichen Alltag im Rahmen der Lehrveranstaltung bearbeiten, damit Sie sich vertiefend mit spezifischen Herausforderungen Ihrer individuellen Fachdomäne auseinandersetzen können.
DS-F8 Ethik & Recht (5 CP)
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 wie:
- Wem gehören Daten?
- Welche Daten sollten oder dürfen nicht verwendet oder kombiniert werden, um weitere Informationen zu erhalten?
- Welche Vereinbarungen gibt es, die aus ethischen Gründen eingehalten werden sollen, obwohl daraus ein wirtschaftlicher Nachteil entstehen könnte?
Komplementärstudium
DS-K3 Gesellschaft und Verantwortung (5 CP)
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
Master-Thesis
Master-Thesis (15 CP)
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.
Wichtige Ordnungen und Informationen für Ihr Studium
Die Ordnungen zur Zulassung, die Rahmenprüfungsordnung (RPO) sowie die Fachspezifischen Anlagen (FSA) finden Sie hier.
Extracurriculares Angebot
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.
300 CP-Richtlinie
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. Weitere Informationen
Kontakt & Beratung
Koordination
Maria Kruse, M.A.
Universitätsallee 1, C4.308a
21335 Lüneburg
Fon +49.4131.677-2129
maria.kruse@leuphana.de
Leitung
Prof. Dr. Ulf Brefeld
Universitätsallee 1, C4.311
21335 Lüneburg
Fon +49.4131.677-1663
ulf.brefeld@leuphana.de
E-Mail-Kontakt
Sie erreichen das Team des Studiengangs jederzeit unter der folgenden E-Mail
datascience@leuphana.de.