Der Masterstudiengang Data Science an der TU Chemnitz vermittelt fortgeschrittene Kenntnisse im Bereich der Datenanalyse und -interpretation. Data Science wird als eine Disziplin definiert, die darauf abzielt, aus großen, oft unstrukturierten Datenmengen Informationen und Erkenntnisse zu gewinnen. Die Anwendungen sind vielfältig und reichen von Wirtschaftswissenschaften über Ingenieurwissenschaften bis hin zu Geistes-, Human- und Sozialwissenschaften, Medizin, Pharmazie und Justiz.
Das Studium richtet sich nicht nur an Absolventen der Mathematik, sondern auch an solche aus Informatik, Elektrotechnik und Physik. Auch Studierende anderer Fachrichtungen können zugelassen werden, wenn sie mathematische und statistische Grundkenntnisse mitbringen. Es wird empfohlen, die Grundlagen in linearer Algebra, Optimierung und Analysis aufzufrischen. Programmiervorkenntnisse sind hilfreich, aber nicht zwingend erforderlich.
Der Studiengang ist zulassungsfrei, wobei bei ErfĂĽllung der Voraussetzungen eine sichere Zulassung erfolgt. Andernfalls wird eine EinzelfallprĂĽfung durchgefĂĽhrt. Im Wesentlichen wird mit Python gearbeitet, aber auch R, Julia und Matlab kommen vor.
Der Studiengang Data Science M.Sc. ist seit 2022 akkreditiert. Die Regelstudienzeit beträgt 4 Semester. Studienbeginn ist sowohl im Winter- als auch im Sommersemester möglich. Die Bewerbungsfristen liegen Mitte September (deutscher Abschluss) bzw. Mitte Juli (ausländischer Abschluss) für das Wintersemester und Mitte März (deutscher Abschluss) bzw. Mitte Januar (ausländischer Abschluss) für das Sommersemester.
Der Studiengang bietet ein gutes Betreuungsverhältnis, Industrienähe, unkomplizierte Zulassung und die Möglichkeit zum Auslandsstudium mit Erasmus+.
Der Studiengang beinhaltet Pflichtmodule wie "Introduction to Data Science", "Foundations of learning", "Statistical learning", "Supervised Learning", "Unsupervised learning", "Modellierungsseminar", "Industrial collaboration", "Collaborations", "Coding", "Modeling", "Neurocomputing", "Neural Networks", "LSTM", "Deep Spiking Networks" und "Reservoir computing" sowie Wahlpflichtmodule wie "Mathematical Foundations of Big Data Analytics", "Clustering", "Supervised Learning", "BI Applications", "SVM", "Matrix Methods in Data Science", "Factorizations (SVD/QR/CUR/NMF)", "Graph-based learning", "Tensor Methods", "Algorithms for Gaussian processes", "Statistics in Data Science", "Topic", "Statistical foundations", "Sampling", "Gaussian processes", "Optimization in Machine Learning", "Optimization for Deep Learning", "Kernel Methods", "ResNets", "CNNs", "Deep Reinforcement Learning", "Topic", "Policy gradient methods", "Hierarchical RL" und "Value-based deep RL".