Bachelor Studiengang
Data Science and Business Analytics
Data Science ist eine neue akademische Disziplin, die Ihnen neben statistischen und technischen Fähigkeiten auch Praxis- und Anwendungswissen in einem wählbaren Fachbereich vermittelt. Ergänzt wird dieses Wissen durch Inhalte aus den Bereichen Wirtschaft, Recht und Ethik, um eine breite, interdisziplinäre Ausbildung zu gewährleisten.
Grundstudium (1. und 2. Semester)
Data Science: vermittelt Ihnen die Fähigkeiten der Datenanalyse, des maschinellen Lernens und der künstlichen Intelligenz. Sie lernen Daten zu sammeln, aufzubereiten, zu analysieren und zu visualisieren.
Informatik: befasst sich mit der Informationsverarbeitung, -übertragung und -speicherung. Wichtige Themen des Schwerpunkts sind Grundlagen des Codings, Big-Data-Technologien und Business Intelligence.
Wirtschaft und Recht: befasst sich mit wirtschaftlichen Grundlagen sowie rechtlichen und ethischen Fragestellungen.
Vertiefungsstudium (ab 4. Semester)
Wahlmodul: Da Datenspezialistinnen und -spezialisten ihre Analysen immer in einem bestimmten Kontext durchführen, ermöglicht Ihnen das Studium eine Spezialisierung in einem wählbaren Anwendungsgebiet (z. B.: Marketing, Gesundheit, Medien, Sicherheit, Produktion)*. Sie setzen sich mit den wichtigsten Grundlagen des Fachbereichs auseinander und erhalten ein Grundverständnis für häufige Problemstellungen.
* Fachbereiche werden im dritten Semester vorgestellt und können frei gewählt werden. Sie werden nach Bedarf der Studierenden angeboten und kommen ab einer TeilnehmerInnenzahl von fünf Personen zustande.
Berufspraktikum (4. und 6. Semester)
Die Berufspraktika sind im 4. (fünf Wochen) und 6. Semester (zehn Wochen) zu absolvieren. Dabei kontaktieren die Studierenden eigenständig favorisierte Unternehmen. Dazu steht ihnen das umfangreiche Partnernetzwerk des Studienganges zur Verfügung.
Auslandssemester oder European Project Semester (5. Semester)
Ein wichtiger Bestandteil des Studiums bildet das internationale und interdisziplinäre Projektsemester. Das englischsprachige Semester soll sicherstellen, dass Erfahrungen im Umgang mit internationalen Teams von allen Studierenden, unabhängig von Auslandsaufenthalten gemacht werden. Dabei ist das Ziel, Gruppen (mit einer Gruppengröße von drei bis sechs Studierenden) mit internationaler und interdisziplinärer Zusammensetzung zu bilden, um eine interdisziplinäre Problemstellung innerhalb des Projekts zu lösen. Das internationale Projektsemester kann auch im Ausland an einer Partneruniversität absolviert werden.
Der Studiengang Data Science und Business Analytics pflegt eine intensive Zusammenarbeit mit wichtigen Partnerinnen und Partnern aus Wirtschaft und Wissenschaft. Dadurch ist gewährleistet, dass die Studieninhalte die Anforderungen der Praxis abdecken und zukünftige Entwicklungen berücksichtigen.
Die Einbeziehung von externen Lehrbeauftragten ermöglicht Ihnen zudem, praxisrelevantes Wissen aufzubauen. Zwei Berufspraktika und ein internationales Projektsemester, bei dem eine Aufgabenstellung aus der Wirtschaft in internationalen Teams behandelt wird, fördern zusätzlich den Praxistransfer und Anwendungskompetenzen.
Innovative Lehrmethoden
Der Studiengang setzt auf moderne didaktische Konzepte, darunter Blockunterricht, der Studierenden ermöglicht, sich intensiv auf ein Unterrichtsfach zu konzentrieren. Zusätzlich werden Ansätze des projektbasierten und entdeckenden Lernens eingesetzt. Studierende erhalten die Möglichkeit durch Wettbewerbe, Gastvorträge, Konferenzbesuche und vieles mehr, Data Science hautnah zu erleben.
Copyright: Martin Lifka Photography
Beispiele für den Einsatz von Data Science
Big Data
Videostreaming-Plattformen
Mit Hilfe von Data Science werden Filmempfehlungen erstellt. Dabei entstehen mitunter mehrere Millionen unterschiedlicher optimierte Oberflächen mit unterschiedlichsten Filmempfehlungen und Filmreihungen.
Online Shopping
Mittels Datenanalyse werden personalisierte Produktempfehlungen bereitgestellt. Empfehlungen von der Art: „Kunden die das kauften, kauften auch“ basieren auf der Echtzeitauswertung von Millionen von Kaufdaten anderer Kunden, durch welche errechnet wird, welche Produkte den Käufer oder die Käuferin mit hoher Wahrscheinlichkeit noch interessieren könnten.
Krankheitswellen
Viele Menschen schreiben in sozialen Netzwerken über ihren Alltag. Durch Big Data können so Häufungen über Krankheiten einer bestimmten Region zugeordnet werden und etwa Grippewellen in ihrer Entstehung erkannt und in der Folge wirksam eingedämmt werden.
Data Science
Digital Farming
Auch vor der Landwirtschaft macht Data Science keinen Halt. Dabei hilft Data Science neben der Gestaltung effizienterer Betriebe (z. B. durch autonom fahrende Traktoren) auch die Umweltbelastung zu reduzieren und bessere Haltungsbedingungen für Tiere zu schaffen. Datenanalyse führt zum Beispiel zu gezielterer Aussaat, Düngung und Bewässerung der Felder. Dabei kommt es zur Reduktion von Energieverbrauch. Durch den geringeren Einsatz von Herbiziden und mineralischen Düngern wird zudem die Natur weniger stark mit Umweltgiften belastet.
Öffentlicher Nahverkehr
Sammeln von Daten wie der Temperatur der Bremsen und dem Neigungswinkel der Führerkabine, um vorauszusagen, wann die Bahn gewartet werden muss. So können rechtzeitig wirkungsvolle Maßnahmen ergriffen und Stehzeiten verkürzt werden.
Partnerbörsen
Für die Paarfindung und bei möglichen Partnervorschlägen wird auf Data Science gesetzt. Basierend auf Eigenschaften und Vorlieben wird durch passende Algorithmik der ideale Partner errechnet und vorgeschlagen.
Smarte Lautsprecher
Sprachassistenten befinden sich mittlerweile nicht nur mehr auf unseren Computern und Smartphones, auch in Wohnungen und Häusern treffen wir immer häufiger auf die schlauen Begleiter. Dank des Internets der Dinge mutieren Haushalte zu Smart Homes. Mittels Data Science erkennen Sprachassistenten das Gesagte und können unsere Wünsche in die Tat umsetzen.
Kreditkartenmissbrauch
Dank Data Science entdecken Banken Betrugsversuche mit hoher Genauigkeit automatisiert und können dadurch Kreditkarten frühzeitig sperren.
Artificial Intelligence
Schachcomputer und Konsorten
Schon im Jahr 1997 gelang es einer künstlichen Intelligenz, den damaligen Schach-Weltmeister Garri Kasparov in sechs Partien zu schlagen. Insgesamt wird die künstliche Intelligenz (KI) dabei eingesetzt, um dem Menschen einen je nach Wahl meist unterschiedlich schweren und ständig präsenten Spielpartner zu simulieren. Ähnliche Entwicklungen gibt es im E-Sport-Bereich, wo Profigamer versuchen, die besten KIs zu schlagen, während Entwicklern darauf hinarbeiten, die besten Spieler durch eine KI zu besiegen.
Selbstfahrende (Autonome) Autos
Was früher noch Science-Fiction war, wird heute Realität: Autonom fahrende Autos befinden sich dank Data Science und künstlicher Intelligenz in der Testphase. Autos lernen Verkehrszeichen, VerkehrsteilnehmerInnen und mögliche Gefahrenquellen vorzeitig zu erkennen und darauf zu reagieren.
Hautkrebsdiagnose
Bei der Unterscheidung gefährlicher Melanome von gutartigen Muttermalen hat ein künstliches neuronales Netz gezeigt, dass es Hautkrebs besser erkennt als Dermatologen.
Internet of Things
Die Haustür als Wachhund
Mit dem sogenannten „Internet der Dinge“ wird beschrieben, dass immer mehr Gegenstände auch eine digitale Funktion besitzen. So könnten beispielsweise Haustüren oder Fenster mit entsprechenden Sensoren über das Internet den Besitzer oder die Polizei alarmieren, wenn jemand sie zu öffnen versucht, obwohl dies nicht der Fall sein sollte, etwa, weil die Bewohner eigentlich im Urlaub sind.
Einkaufende Schränke
Ähnlich könnten auch mit entsprechenden Sensoren ausgestattete Schränke und Kühlschränke ausgewählte Haushaltsmittel, die immer vorrätig sein sollten, wie Milch, Zahnpasta oder Küchenrolle, selbstständig in Online-Shops nachbestellen, wenn diese kurz davor sind, aufgebraucht zu werden.
Warum Data Science?
Ein menschlicher Blick
Trotz der vielen vollautomatischen Erhebungsmöglichkeiten durch Künstliche Intelligenz oder Deep Learning, bleibt die wichtigste Aufgabe oftmals dem Menschen überlassen. Zwar können durch eine KI möglicherweise Muster erkannt werden, aber nicht unbedingt Ursache und Wirkung. Wenn man jedoch wissen will, warum die gefundenen Muster auftreten, ist es die Aufgabe des Data Scientist, Wirkungszusammenhänge nachvollziehbar zu erklären.
Wir verwenden Cookies, um Inhalte und Anzeigen zu personalisieren, Funktionen für soziale Medien anbieten zu können und die Zugriffe auf unsere Website zu analysieren. Ich möchte mehr erfahren
