Hochschule
München
University of
Applied Sciences

Data Analytics (Master)

Mit der immer weiter anwachsenden Datenfülle in allen Bereichen und den ständig zunehmenden Computing-Kapazitäten steigt auch der Bedarf nach einer adäquaten Aufbereitung, Verarbeitung, Modellierung und Interpretation der Daten. Der Data Analytics Studiengang bietet Absolvent:innen eines Bachelorstudiengangs, in dem solide mathematische Kenntnisse erworben wurden, die Möglichkeit, sich im Bereich der analytisch ausgerichteten Datenwissenschaft weiter zu qualifizieren. Er befähigt Sie zur selbständigen Entwicklung und Anwendung von komplexen Modellen und Verfahren aus den Bereichen Statistik, Data Science und Machine Learning zur Lösung von praxisrelevanten Problemstellungen in Wirtschaft, Natur und Technik. Insbesondere erwerben Sie die Kompetenz, verschiedenste Anwendungsprobleme im Umgang mit vielfältigen Daten aus Praxis und Forschung zu analysieren, bedarfsorientiert aufzubereiten und mit Hilfe von geeigneten Modellen, Systemen und computergestützten Verfahren nach dem Stand von Technik und Wissenschaft zu lösen.

Individuelle Schwerpunktsetzung

Neben einem verbindlichen Teil von grundlegenden Modulen haben Sie die Möglichkeit, im Wahlpflichtbereich eigene Schwerpunkte zu setzen. Ein solcher Schwerpunkt kann beispielsweise in der traditionellen Statistik, in der Modellbildung, in vertieften Machine Learning Methoden oder auch in speziellen Anwendungsgebieten liegen.

Details

Abschluss
Master
Studienart
Vollzeit oder Teilzeit
Fakultät/en
FK07
Studienbeginn
Sommer- und Wintersemester
Regelstudienzeit
3 Semester (Vollzeit), 6 Semester (Teilzeit)
Zu erreichende ECTS
90 ECTS-Punkte
Studienort
Campus Lothstraße, 80335 München
Zulassungsvoraussetzungen

  • Abgeschlossenes (mind. 6 theoretische Semester / 180 ECTS), mathematisch* orientiertes Studium, mit einer Gesamtnote von 2,5 oder besser an einer deutschen Hochschule oder ein gleichwertiger Abschluss.
    Es müssen mindestens 30 Leistungspunkte in mathematisch orientierten Modulen einschließlich der Bachelorarbeit nachgewiesen werden.

    *Zu den mathematisch orientierten Studienrichtungen zählen beispielsweise Mathematik, Statistik, Data Science, Informatik mit Schwerpunkt Mathematik oder eine andere Fachrichtung, in der vertiefte Kenntnisse der Mathematik vermittelt wurden.

  • Bewerbungen mit einer Gesamtnote von 2,0 oder besser, die mind. 45 Leistungspunkte in mathematisch orientierten Modulen einschl. der Bachelorarbeit nachweisen, werden direkt zugelassen.

  • Bei allen übrigen Bewerbungen muss die fachliche Eignung im Rahmen eines Eignungsverfahrens nachgewiesen werden.
    Eignungsverfahren: Aufnahmegespräch

  • Für ausländische Bewerberinnen und Bewerber, die ihre Studienqualifikation nicht an einer deutschsprachigen Bildungseinrichtung erworben haben, Deutschnachweis auf der Niveaustufe B2 (GER)

Zulassungsmodus
Eignungsverfahren
Hauptunterrichtssprache
Deutsch, weitere Sprachen: Englisch
Auslandsaufenthalt
-
Semestergebühren (aktuell laufendes Semester)
Grundbeitrag für das Studierendenwerk 85,00 Euro

Derzeit ist keine Bewerbung möglich. Weitere Informationen finden Sie in unserem Bewerbungsportal.

Informationen zur Bewerbung

Studienberatung

Wer diesen Studiengang studiert

  • ausgeprägtes analytisches Denkvermögen
  • gute Abstraktionsfähigkeit
  • Ausdauer und Konzentrationsvermögen
  • solide mathematische Kenntnisse auf Bachelor-Niveau
  • Teamgeist, Kommunikationsfähigkeit und gute englische Sprachkenntnisse

  • Nachdenken, Hinterfragen, Knobeln, Schlussfolgern, Interpretieren
  • Lösen von kniffligen, praxisorientierten Aufgabenstellungen
  • Einsatz mathematischer Methoden sowie Entwickeln und Implementieren von Modellen
  • Vermitteln von Erkenntnissen auch an Nicht-Expert:innen

  • die Bearbeitung von praxisrelevanten Fragestellungen im Zusammenhang mit der Erhebung, Auswertung, Analyse und Interpretation von Daten, wie sie in Wirtschaft, Sozialwissenschaften, Medizin, Natur und Technik auftreten
  • die Hintergründe der zur Analyse verwendeten Methoden, Verfahrensweisen und Modelle
  • die Anwendung und Anpassung von State-of-the-Art-Modellen des Machine Learnings

  • Produktionsunternehmen: Zuverlässigkeitsanalysen, Analyse technischer Risiken, Qualitätsmanagement, Predictive Analysis und Just-in-time Produktion
  • Speziell Automobilbranche: Autonomes Fahren, Fahrzeugabsicherung, Connected Services, Sprachdialogsysteme
  • Handelsunternehmen / E-Commerce: Marktforschung, Kundenbindung, Planung von Werbekampagnen, Marketing, Prognosen
  • Energie- und Umweltbranche: Intelligentes Lastenmanagement, Adaptive Strombepreisung, Steuerung Windkraftanlagen, Analysen zu Umwelt- und Klimaveränderungen
  • Medizin: KI-basierte bildanalytische Diagnostik, statistische Analysen im Rahmen klinischer Studien, Optimierung von Patientenflüssen in Krankenhäusern
  • Finanzsektor: Anwendung von Machine-Learning-Techniken in Online Lending Platformen und Credit Scoring Modellen, Risikomanagement/-controlling in Banken und Versicherungen
  • Data Analytics Abteilungen in Unternehmen: Architektur und Setup von Daten- und Modellpipelines für Entwicklung, Test- und Produktivbetrieb; Entwicklung, Optimierung und Deployment von Machine Learning-Modellen sowie Evaluierung neuer Technologien, Frameworks und Trends
  • Forschungsabteilungen in Wirtschaftsunternehmen und im akademischen Bereich auf dem Gebiet Data Science und KI

  • Senior Data Scientist: Bearbeitung von Data Science Projekten und Problemen, die mit Standardmethoden und Frameworks nicht einfach lösbar sind
  • Research & Development Expert im Bereich Data Analytics: Weiterentwicklung von Machine Learning Modellen und Methoden in der akademischen oder innerbetrieblichen Forschung
  • Machine Learning Engineer: Architektonische Bearbeitung von Data Science Pipeline Projekten
  • Modeling and Simulation Expert: Besondere Kompetenz bei Problemen, für die eine Verbindung von datengetriebenen Modellen des maschinellen Lernens mit klassischen erklärenden Modellen benötigt wird
  • Statistik-Guru in verschiedenen Anwendungsbereichen: Breite theoretische und praktische Methodenkompetenz in der traditionellen Statistik
  • Data Scientist im Bereich Finance: Neben Data Science Know-how auch Domänenwissen im Finance-Bereich und den dort verwendeten speziellen Modellierungsverfahren

  • ein abgeschlossenes, mindestens sechs theoretische Studiensemester und mindestens 180 Leistungspunkte umfassendes, mathematisch orientiertes Studium an einer deutschen Hochschule oder ein gleichwertiger Abschluss
  • mit einem Prüfungsgesamtergebnis von 2,5 oder besser und
  • mindestens 30 Leistungspunkten in mathematisch orientierten Modulen einschließlich der Bachelorarbeit

Kontakte

Prof. Dr. Stephanie Thiemichen Raum: R 2.039

T +49 89 1265-3749
F +49 89 1265-3780

E-Mail

Prof. Dr. Andreas Zielke Raum: R 4.032

T 1265-3705
F 1265-3780

E-Mail
Profil