Applied Data Science & AI Master

Im ersten Modul des Studiengangs beschäftigt ihr euch mit allen Schritten eines Data Science Life Cycles. Ihr erarbeitet euch einen ersten Überblick zur erfolgreichen Implementierung von Data Science in Unternehmen und Durchführung von Projekten. Zudem lernt ihr Rollen, Aufgaben und Perspektiven für Data Science in Unternehmen und Gesellschaft kennen.

• Data Science Prozessmodelle
• Arbeiten in einem Data Science Team
• Überblick Methoden des Machine Learning
• Visualisierung und Kommunikation analytischer Ergebnisse
• Data Science erfolgreich implementieren

Du lernst den ganzheitlichen Data-Analytics-Prozess als strategisches Werkzeug für datengetriebene Entscheidungen kennen – von der Datenbeschaffung über fortgeschrittene Machine-Learning-Verfahren bis zur überzeugenden Kommunikation der Ergebnisse.

• Prozessmodelle & Projektplanung (CRISP-DM, agile & deployment-orientierte Ansätze)
• Datenbeschaffung & Datenqualität (API-Anbindung, Web Scraping, Feature Engineering)
• Fortgeschrittene ML-Verfahren (Gradient Boosting, Ensembles, Deep Learning)
• Modellevaluation (ROC, Precision-Recall, Cross-Validation)
• Data Storytelling & Datenvisualisierung für Stakeholder

Du lernst Werkzeuge der professionellen Softwareentwicklung kennen, um Data-Science-Projekte technisch sauber umzusetzen – von Versionskontrolle über objektorientierte Programmierung bis zu Simulationen und der Arbeit mit Online-Daten.

• Testen & Evaluieren von Code (Unit-Tests, Integrationstests, Benchmarking)
• Objektorientierte, prozedurale & funktionale Programmierung
• Versionskontrolle mit Git & GitHub
• Arbeit mit REST-APIs sowie Web-Scraping & Parsen von HTML
• Vollständiges Analyse-Projekt mit Online-Daten (Scraping, ETL, Analyse, Report)

Du beherrschst die zentralen Verfahren des Machine Learning und führst ML-Projekte eigenständig durch – von der Datenvorverarbeitung über die Modellauswahl bis zur kritischen Bewertung und Erklärbarkeit der Ergebnisse.

• Lernparadigmen: Supervised, Unsupervised & Reinforcement Learning
• Datenvorverarbeitung & Feature Engineering (Skalierung, Encoding, PCA)
• Klassifikation & Regression (Random Forests, Gradient Boosting, XGBoost, SVM)
• Modellbewertung: Metriken, Kreuzvalidierung, Bias-Variance-Tradeoff
• Explainable AI (SHAP, LIME) sowie Tools (Python, Scikit-Learn)

Du lernst die Grundlagen und Methoden des Data Engineering kennen und baust leistungsfähige, skalierbare Datenarchitekturen – vom Data Warehouse über ETL-Pipelines bis zu DevOps-Prinzipien.

• Grundlagen der Datenarchitektur, Data Lake & Data Warehouse
• Datenintegration, -speicherung, -transformation & -modellierung
• Aufbau und Nutzung von ETL-Pipelines mit Python
• Anwendung von SQL
• DevOps, Continuous Integration/Delivery & Containerisierung

Du lernst, Machine-Learning-Modelle zuverlässig in den produktiven Betrieb zu bringen und über ihren gesamten Lebenszyklus zu betreiben – reproduzierbar, skalierbar und überwacht.

• MLOps-Grundlagen & Lifecycle-Management
• Design & Umsetzung von ML-Pipelines (z. B. mit MLflow)
• Monitoring & Logging: Modell- und Daten-Drift erkennen
• Automatisiertes Retraining & Versionierung von Modellen und Daten
• Testing, Governance & Reproduzierbarkeit von ML-Systemen

Du lernst, KI verantwortungsvoll, sicher und regelkonform einzusetzen (Trustworthy AI) – von ethischen Zielkonflikten über systematische Risikoanalyse bis zu den zentralen europäischen Regularien.

• KI als sozio-technisches System & AI Lifecycle als Governance-Struktur
• Prinzipien Vertrauenswürdiger KI (Fairness, Accountability, Transparency, Robustness)
• Regulatorik: EU AI Act, NIS2-Richtlinie, Cyber Resilience Act
• Bezug zu Datenschutz & Normen (ISO/IEC 42001, ISO 27001)
• Governance-, Rollen- & Verantwortungsmodelle im KI-Einsatz

Du lernst, Datenanalysen so aufzubereiten, dass sie für unterschiedliche Zielgruppen verständlich und nutzbar werden – von Data Storytelling über Visualisierung bis zu interaktiven Datenprodukten.

• Data Storytelling: narrative Strukturen für Datenanalysen
• Prinzipien guter Datenvisualisierung & Diagrammauswahl
• Interaktive Dashboards & Datenanwendungen (Python-Frameworks)
• User Experience (UX) für datenbasierte Anwendungen
• Dokumentation & Reproduzierbarkeit (Model Cards, Data Dictionaries)

Du verstehst die Grundlagen neuronaler Netze und generativer Modelle und erhältst einen fundierten Einstieg in Deep Learning und Generative KI – bis hin zu Transformer-Architekturen.

• Neuronale Netze: Perzeptron, MLP, CNN, RNN & Backpropagation
• Loss-Funktionen, Optimizer & Overfitting-Kontrolle
• Diskriminative vs. generative Modelle (Autoencoder, VAE)
• Grundlagen generativer Sprachmodelle (Tokenisierung, Language Modeling)
• Einführung in Transformer, Attention & Skalierungsgesetze

Du lernst, Daten als wertvolles Unternehmensgut zu managen und zu regieren – von der Datenerhebung über die Datenstrategie bis zur unternehmensweiten, barrierearmen Bereitstellung.

• Elemente & Frameworks der Data Governance
• Datenarchitekturen (Data Lake, Data Warehouse, Data Mesh)
• Data Lifecycle Management & Entwicklung von Datenstrategien
• Data Stewardship, Data Ownership & Metadatenmanagement
• Datenqualität, Stammdatenmanagement, Datensicherheit & Datenschutz

Du entwickelst ein fundiertes Verständnis wissenschaftlicher Forschungsmethoden und wählst für deine Fragestellung den passenden Ansatz – als Vorbereitung auf Forschungsprojekt und Masterarbeit.

• Forschungsparadigmen & Gütekriterien wissenschaftlicher Methoden
• Qualitative Methoden (Interviews, Fallstudien) & Analyse
• Quantitative Methoden (Befragungen, Experimente) & Statistik
• Konstruktive Forschung / Design Science (Prototypen, Artefakte)
• Entwicklung von Forschungsdesigns & kritische Reflexion

Du steigst in deinen gewählten Schwerpunkt ein und legst die fachliche Basis für dein anschließendes Forschungsprojekt – wählbar aus Data Engineering oder Generative AI (GenAI).

• Vertiefung im gewählten Schwerpunkt (Data Engineering oder GenAI)
• Aktuelle Methoden & Werkzeuge des Schwerpunkts
• Fundament für das Forschungsprojekt im selben Semester

Details siehe Abschnitt „Wahl der Schwerpunkte“.

Im Forschungsprojekt bearbeitest du über vier Monate eine anwendungsnahe Fragestellung in deinem Schwerpunkt – wissenschaftlich fundiert und praxisorientiert (12 ECTS).

• Eigenständiges Forschungsprojekt im gewählten Schwerpunkt
• Anwendung der Methoden aus Advanced Research Methods
• Wissenschaftliche Bearbeitung einer realen Problemstellung
• Optimale Vorbereitung auf die Masterarbeit

Im 3. Semester wählst du ein Wahlpflichtmodul nach deinem persönlichen Interesse (Auszug; Angebot variiert):

• IT & Cyber Security
• Cyber Resilience
• Visual Communication
• Design Thinking Methods: Product Development & Service Design
• Cyberforensik
• Agiles Projektmanagement
• Agentic AI & RAG Workflow Engineering Lab
• Creative Problem-Solving & Critical Thinking
• AI Transformation in Organisations

Du entwickelst, analysierst und bewertest digitale Business-Strategien und wendest strategische Methoden auf konkrete Konzepte der digitalen und KI-getriebenen Transformation an.

• Strategisches Management im Zeitalter der digitalen Transformation
• Strategische Analyse digitaler Geschäftsmodelle (z. B. Plattformökonomie)
• Digitale Unternehmensstrategien & Innovationsinitiativen
• Implementierung digitaler Strategien (Roadmap, Kommunikation)
• Digitaler Reifegrad & KI-getriebene Lösungen

Du hast das Studium (fast) abgeschlossen. Jetzt geht’s darum, eine Abschlussarbeit zu einem von dir gewählten Thema zu verfassen. Deine Professor:innen helfen dir dabei, ein Thema zu formulieren, oder du bearbeitet ein von uns vorgeschlagenes Thema.