Spezialisierung Data Science

Inhalte des Moduls

Das Modul "Künstliche Intelligenz" vermittelt fundierte Grundlagen und vertieftes Wissen über verschiedene KI-Methoden sowie deren Anwendungsgebiete. Der Einstieg erfolgt über die Unterschiede zwischen natürlicher und künstlicher Intelligenz sowie die Definition zentraler Begriffe wie Machine Learning und Deep Learning. Die wichtigsten Modelle, darunter künstliche Neuronen, mehrschichtige Perzeptrons und Deep-Learning-Verfahren wie der Attention-Mechanismus und Transformer, werden ausführlich behandelt. Anschaulich wird aufgezeigt, wie Lernprozesse in neuronalen Netzen ablaufen und wie Über- sowie Unteranpassung vermieden werden können. Zudem werden praxisrelevante Themen wie Bilderkennung, Sprachverarbeitung und konvolutionale neuronale Netze thematisiert. Neben technischen Grundlagen stehen die Chancen und Risiken von KI im Mittelpunkt, ergänzt durch konkrete Anwendungsfelder wie Industrie 4.0, Gesundheitswesen, Verkehr oder E-Commerce. Der Fokus liegt auch auf der Bedeutung von Daten und der Integration von KI-Systemen in Arbeitsprozesse. Zukunftsorientierte Themen wie kollaborative Robotik und die Auswirkungen von KI auf die Arbeitswelt runden das Modul ab.

Vermittelte Kompetenzen

Nach Abschluss des Moduls verfügen Sie über die Fähigkeit, den Einfluss der Digitalisierung auf die Entwicklung von KI zu analysieren und die Grenzen sowie Potenziale dieser Technologie zu bewerten. Sie lernen, KI-Methoden zu definieren, anzuwenden und ihre Funktionsweisen zu verstehen. Dies schließt die Planung und Umsetzung von KI-Projekten auf Basis von Anwendungsfällen ein. Ihre methodische Kompetenz wird durch die Fähigkeit gestärkt, Geschäftsprozesse zu analysieren, um KI-Lösungen zielgerichtet zu integrieren. Weiterhin können Sie die strategischen Auswirkungen von KI auf Geschäftsmodelle evaluieren und unternehmerische Risiken abschätzen. Wissenschaftliches Arbeiten wird durch das Erstellen strukturierter Hausarbeiten sowie das Formulieren von White Papers trainiert. Persönlich entwickeln Sie eine reflektierte und professionelle Haltung im Umgang mit KI-Themen und stärken Ihre Kommunikationsfähigkeit in der Zusammenarbeit mit KI-Experten. Abschließend erwerben Sie die Kompetenz, moderne und humane Perspektiven zur Digitalisierung sowie zur Nutzung von KI zu vertreten und Ihre Erkenntnisse in interdisziplinären Kontexten weiterzugeben.

Inhalte des Moduls

Das Modul "Grundlagen des Machine Learning" bietet Ihnen eine fundierte Einführung in die Konzepte, Methoden und Technologien des maschinellen Lernens jenseits neuronaler Netze. Der Schwerpunkt liegt auf nicht-neuronalen Modellen wie Entscheidungsbäumen, Bayes’schen Methoden und Support Vector Machines. Dabei werden sowohl strukturierte als auch unstrukturierte Daten als Grundlage für Machine-Learning-Modelle behandelt, einschließlich deren Beschaffung und Qualitätssicherung. Sie lernen, wie Daten aus öffentlichen Datenbanken, wie z. B. MNIST, für Trainings- und Testzwecke genutzt werden können. Zudem werden Ansätze für ein besseres Verständnis von Daten, wie durch Visualisierungstools, vermittelt. Ein weiterer Fokus liegt auf Prozessen und Vorgehensmodellen zur Entwicklung von Machine-Learning-Anwendungen sowie auf den wichtigsten Tools und Frameworks, darunter Azure Machine Learning, Amazon SageMaker und SciKit. Praktische Anwendung findet das Gelernte in der Implementierung eines einfachen ML-Modells, wodurch die theoretischen Inhalte vertieft werden.

Vermittelte Kompetenzen

Dieses Modul qualifiziert Sie dazu, grundlegende Machine-Learning-Konzepte wie Supervised Learning, Reinforcement Learning und Bias zu erläutern und auf reale Fragestellungen anzuwenden. Sie sind in der Lage, geeignete Datenquellen zu identifizieren, deren Qualität zu bewerten und sie für ein Machine-Learning-Projekt aufzubereiten. Darüber hinaus können Sie Algorithmen und Modelle fundiert beschreiben, deren Vor- und Nachteile abwägen und eine geeignete Technologieplattform zur Umsetzung auswählen. In praktischen Aufgaben erlangen Sie die Fähigkeit, ein eigenes ML-Modell zu erstellen und dessen Ergebnisse zu interpretieren. Methodisch sind Sie in der Lage, komplexe Fragestellungen zu analysieren und innovative Lösungen zu entwickeln. Persönlich stärken Sie Ihre analytischen Fähigkeiten und bleiben durch selbstständige Weiterbildung auf dem neuesten Stand. Im interdisziplinären Austausch lernen Sie, Erwartungshaltungen zu steuern, Rollen zu definieren und in Teams effektiv zu agieren, um Machine-Learning-Projekte erfolgreich umzusetzen.

Inhalte des Moduls

Im Modul "Big Data & Smart Services" erhalten Sie einen umfassenden Einblick in die Analyse, Verwaltung und Visualisierung sehr großer, heterogener Datenmengen. Sie lernen grundlegende Definitionen und Fragestellungen von Big Data kennen und entwickeln ein tiefes Verständnis für Datenarchitekturen, Lösungsansätze und Pipelines. Dabei wird besonderer Wert auf die praktische Anwendung von Technologien gelegt, darunter sowohl Open-Source-Tools als auch kommerzielle Plattformen wie Apache Hadoop, Apache Spark oder Microsoft Azure. Sie erwerben die Fähigkeit, Daten aus vielfältigen Quellen wie Sensorik, Cloud-Plattformen oder Unternehmensdaten für analytische Zwecke zu nutzen. Ergänzt wird das Modul durch konkrete Fallstudien, die realitätsnahe Anwendungen von Big Data-Technologien veranschaulichen. Ebenso stehen Visualisierungsmethoden im Fokus, um Ergebnisse aus Big-Data-Analysen zielgruppengerecht aufzubereiten und zu präsentieren. Praktische Übungen und die Erstellung einer Fallstudie festigen das erworbene Wissen.

Vermittelte Kompetenzen

Das Modul qualifiziert Sie dazu, sehr große und komplexe Datenmengen zu analysieren, Prozesse und Architekturen im Big-Data-Umfeld zu verstehen und die wichtigsten verfügbaren Technologien praktisch anzuwenden. Sie können eine Big-Data-Plattform installieren, konfigurieren und administrieren sowie Abfragen programmieren und ausführen. Ihre methodische Kompetenz umfasst die Planung und Durchführung von Big-Data-Projekten, die Auswahl geeigneter Technologien und die Kommunikation komplexer Ergebnisse in klar verständlicher Form. Sie entwickeln Ihre analytischen Fähigkeiten weiter und erwerben die Fähigkeit, Risiken und Erfolgsfaktoren von Big-Data-Projekten zu erkennen und passende Lösungsansätze vorzuschlagen. Durch die Teamarbeit in Big-Data-Projekten stärken Sie Ihre Sozialkompetenz und können Konfliktpotenziale erkennen und proaktiv adressieren. Darüber hinaus lernen Sie, Ihre Ergebnisse auf allen Unternehmensebenen zielgruppengerecht zu präsentieren und eine Schlüsselrolle in der Umsetzung von Big-Data-Lösungen einzunehmen.

Inhalte des Moduls

Das Modul "Data Science in der Praxis" bietet Ihnen eine fundierte Einführung in konkrete Anwendungsfälle von Data Science in unterschiedlichen Branchen und Unternehmensbereichen. Sie erlernen, wie neuronale Netze für Aufgaben wie Sprachverarbeitung (Natural Language Processing, NLP) und Bilderkennung (Computer Vision) aufgebaut und angewendet werden. Ein zentraler Bestandteil ist die Analyse von Chancen und Risiken sowie die Identifikation von Erfolgsfaktoren in Data-Science-Projekten. Zudem wird vermittelt, wie Data-Science-Lösungen und datenbasierte Strategien praktisch umgesetzt werden können, etwa durch die Entwicklung einfacher Deep-Learning-Modelle. Beispiele aus der Praxis, wie die Radiologie oder Predictive Maintenance, verdeutlichen die Bedeutung von Data Science als treibende Kraft hinter der Transformation hin zu datengetriebenen Unternehmen. Begleitende Transferaufgaben und die Bearbeitung realitätsnaher Fragestellungen unterstützen die praktische Umsetzung. Das Modul schließt mit einer Präsentation oder Hausarbeit ab, in der Sie Ihr Wissen anhand einer praxisorientierten Fragestellung anwenden und reflektieren.

Vermittelte Kompetenzen

Dieses Modul befähigt Sie, die Potenziale von Data Science in der Praxis zu erkennen und konkrete Anwendungen selbst zu entwickeln. Sie erlangen die Fähigkeit, Deep-Learning-Modelle für Sprach- und Bilderkennung zu erstellen, zu trainieren und kontinuierlich zu optimieren. Darüber hinaus lernen Sie, die Wirtschaftlichkeit sowie Risiken und Chancen von Data-Science-Projekten kritisch einzuschätzen. Sie entwickeln analytische Kompetenzen, um datengetriebene Strategien zu evaluieren und deren Integration in bestehende Prozesse zu planen. Methodisch sind Sie in der Lage, komplexe Sachverhalte zielgruppengerecht zu präsentieren und fachliche Diskussionen zu führen. Sie schärfen Ihre Fähigkeit, Problemlösungen zu formulieren, Perspektiven anderer Berufsgruppen zu verstehen und fundierte Argumente in Diskussionen überzeugend zu vertreten. Mit diesen Fähigkeiten tragen Sie entscheidend zur Entwicklung datengetriebener Innovationen und deren Umsetzung in Unternehmen bei.