Master Data Science (M. Sc.)
Vormals Master Data Analytics. Der Studiengang wird zum Wintersemester 2026/2027 in Master Data Science umbenannt.
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 Masterstudiengang Data Science vermittelt fundierte Kompetenzen in statistischer Modellierung, Machine Learning und künstlicher Intelligenz.
Das Studium richtet sich an Graduierte eines Bachelors mit soliden mathematischen Grundlagen und grundlegenden Programmierkenntnissen. Sie lernen komplexe Modelle aus Machine Learning, Mathematik und Statistik zu verstehen und auf reale Fragestellungen zum Beispiel aus Wirtschaft, Natur und Technik anzuwenden.
Studierende erwerben die Fähigkeit, große Datenmengen systematisch zu analysieren, Modelle zu entwickeln und datenbasierte Entscheidungen zu begründen. Durch projektorientiertes Arbeiten, moderne Technologien und interdisziplinäre Lehrformate werden sie optimal auf anspruchsvolle Tätigkeiten vorbereitet - sei es in Unternehmen oder im akademischen Bereich.
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 Statistik, in der Modellbildung, in Machine Learning Methoden oder auch in speziellen Anwendungsgebieten liegen.
Weitere Infos...
Zulassungsvoraussetzungen
- Abgeschlossenes Hochschulstudium, mit dem Prüfungsgesamtergebnis "gut" oder besser, mit mindestens 180 Leistungspunkten und mindestens sechs theoretischen Studiensemestern an einer deutschen Hochschule oder eines gleichwertigen Abschlusses
- der Mathematik, Statistik, Data Science, Scientific Computing oder
- einer verwandten Fachrichtung, in der vertiefte Kenntnisse der Mathematik vermittelt werden (z.B. Informatik, Wirtschaftsinformatik, Künstliche Intelligenz oder Wirtschaftsingenieurwesen), wobei mindestens 40 Leistungspunkte (ggf. einschließlich der Bachelorabeit) in mathematisch orientierten Modulen nachgewiesen werden müssen.
- Über die Qualifikationsvoraussetzungen entscheidet die Prüfungskommission
- Für ausländische Bewerberinnen und Bewerber, die ihre Studienqualifikation nicht an einer deutschsprachigen Bildungseinrichtung erworben haben, Deutschnachweis auf der Niveaustufe B2 (GER).
- Der Studiengang ist zulassungsbeschränkt
- Englische Sprachkenntnisse sind hilfreich.
- Ihnen ist wichtig, ein zukunftsicheres Studienfach zu wählen.
Steckbrief
| auf einen Blick... | |
|---|---|
| Studiengangsbezeichnung | Master Data Science |
| Abschluss und Titel | Master of Science M.Sc. |
| Dauer des Studiums | 3 Semester in Vollzeit oder 6 Semester in Teilzeit |
| Studienbeginn | im Sommer- und im Wintersemester |
| Umfang / Leistungspunkte | insgesamt werden 90 Leistungspunkte erreicht |
| Akkreditierung | Der Studiengang ist akkreditiert |
Studienaufbau
Das Studium umfasst fünf verpflichtende Module, sieben Wahlpflichtmodule, die Belegung von Projektstudium oder Hauptseminar, sowie die abschließende Erstellung der Masterarbeit. In der Grafik wurden die Module im Anwendungsteilt thematisch gruppiert. Die Module im Wahlpflichtbereich können beliebig zusammengestellt werden und ermöglichen so eine eher breite oder eine eher spezialisierte Ausbildung. Die im Anwendungsteil erscheinenden Module stellen Beispielfächer dar. Das tatsächliche Angebot wird semesterweise im Studienplan festgelegt.
Die im Anwendungsteil erscheinenden Module stellen Beispielfächer dar. Das tatsächliche Angebot wird semesterweise im Studienplan für das jeweilige Semester festgelegt.
Modulübersicht und Studienverlaufsplan
| Modulgruppe | Thematische Gruppierung | Auswahl an Modulen (Beispiele, wechselnd angeboten) |
Leistungspunkte (LP) in der Modulgruppe |
|---|---|---|---|
| Grundlagen: Pflichtmodule | Angewandte Zeitreihenanalyse Inferenzstatistik Mathematik und Programmierung für Machine Learning Maß- und Wahrscheinlichkeitstheorie Pattern Recognition and Machine Learning | 25 LP (5 Module, je 5 LP) | |
Anwendungen Wahlpflicht | Machine Learning, AI & Data Engineering | Advanced Deep Learning Big Data Analytics Data Engineering Künstliche Intelligenz in der Klimamodellierung Large Language Models and Foundation Models Reinforcement Learning Trustworthy AI | 35 LP (7 Module, je 5 LP) |
| Statistik | Advanced Data Modelling and Analysis with R/Python Angewandte Multivariante Analysemethoden Bayes'sche Datenanalyse Explorative Verfahren und Datenvisualisierung Medizin und Biostatistik Stochastische Prozesse und Anwendungen | ||
| Theoretische Informatik | Fortgeschrittene Themen der Quanteninformatik Graphentheorie Kryptographie | ||
| Finance & Risk | Financial Econometrics Finanzmathematik und Finanzprodukte Risikomodellierung und Risikomanagement | ||
| Scientific Computing | Modellbildung und Simulation Numeric partieller Differentialgleichungen Optimierung | ||
| Projekt oder Seminar | Hauptseminar Data Science Projektstudium Data Science | 6 LP (1 Module, je 5 LP) | |
| Masterarbeit | 24 LP | ||
| Start im Sommersemester (Pflicht- und Wahlmodule) | ||||||
|---|---|---|---|---|---|---|
| Semester 1 | Mathematik und Programmierung für Machine Learning | Pattern Recognition and Machine Learning | Inferenzstatistik | Wahlmodul 1 | Wahlmodul 2 | Wahlmodul 3 |
| Semester 2 | Maß- und Wahrscheinlichkeitstheorie | Angewandte Zeitreihenanalyse | Wahlmodul 4 | Wahlmodul 5 | Wahlmodul 6 | Wahlmodul 7 |
| Semester 3 | Projektstudium ODER Hauptseminar | Masterarbeit | ||||
Der dargestellte Verlaufsplan bildet eine mögliche Aufteilung des Workloads auf die drei Regelstudiensemester eines Vollzeitstudiums ab, mit Beginn im Sommersemester. Die tatsächliche Ausgestaltung wird durch Sie festgelegt, basierend auf dem Fächerangebot und dem individuellen Studienverlauf.
| Start im Wintersemester (Pflicht- und Wahlmodule) | ||||||
|---|---|---|---|---|---|---|
| Semester 1 | Maß- und Wahrscheinlichkeitstheorie | Angewandte Zeitreihenanalyse | Wahlmodul 1 | Wahlmodul 2 | Wahlmodul 3 | Wahlmodul 4 |
| Semester 2 | Mathematik und Programmierung für Machine Learning | Pattern Recognition and Machine Learning | Inferenzstatistik | Wahlmodul 5 | Wahlmodul 6 | Wahlmodul 7 |
| Semester 3 | Projektstudium ODER Hauptseminar | Masterarbeit | ||||
Der dargestellte Verlaufsplan bildet eine mögliche Aufteilung des Workloads auf die drei Regelstudiensemester eines Vollzeitstudiums ab, mit Beginn im Wintersemester. Die tatsächliche Ausgestaltung wird durch Sie festgelegt, basierend auf dem Fächerangebot und dem individuellen Studienverlauf.
| Start im Sommersemester (Pflicht- und Wahlmodule) im Teilzeitmodell | |||
|---|---|---|---|
| Semester 1 | Mathematik und Programmierung für Machine Learning | Pattern Recognition and Machine Learning | Wahlmodul 1 |
| Semester 2 | Maß- und Wahrscheinlichkeitstheorie | Angewandte Zeitreihenanalyse | Wahlmodul 2 |
| Semester 3 | Inferenzstatistik | Wahlmodul 3 | Wahlmodul 4 |
| Semester 4 | Wahlmodul 5 | Wahlmodul 6 | Wahlmodul 7 |
| Semester 5 | Projektstudium ODER Hauptseminar | Masterarbeit | |
| Semester 6 | Masterarbeit | ||
Der dargestellte Verlaufsplan bildet eine mögliche Aufteilung des Workloads auf die sechs Regelstudiensemester eines Teilzeitstudiums ab, mit Start im Sommersemester. Die tatsächliche Ausgestaltung wird durch Sie festgelegt, basierend auf dem Fächerangebot und dem individuellen Studienverlauf.
Rund ums Studium
Ansprechpartnerin
Fachstudienberatung und Prüfungskommissionsvorsitz