Modulhandbuch des Studiengang Data Science (MASTER OF SCIENCE) Stand:

Transkript

1 2014 Modulhandbuch des Data Science (MASTER OF SCIENCE) Stand:

2 Inhalt Vorbemerkung... 2 Modulübersicht... 2 Studienplan... 3 Modulübersicht... 4 Modul Programming for Data Science... 4 Modul Mathematical Foundations for Data Science... 5 Modul Datamining... 6 Modul Business Intelligence & Warehouse... 7 Modul Data Bases for Big Data... 8 Modul Web Data Integration... 9 Modul Large Scale Data Analysis & Parallelization Modul Decision Support Modul Optimization Techniques for Data Anaylsis Modul Machine Learning Modul Textmining Modul Business Process and Big Data Use Cases Modul Kompaktseminar (Summerschool) Modul Praktikum Modul In-Mermory Databases Modul Webmining Modul Semantic Web Technologies Modul Data Privacy & Data Compliance Modul Master Thesis Hinweis: Die Abkürzungen wurden aus der Studien- und Prüfungsordnung des Masterstudienganges Data Science entnommen und sind in XX der Studienprüfungsordnung Data Science erläutert. Seite 1

3 Vorbemerkung Der ist als Fernstudium mit integrierten Blended Learning-Ansatz modular mit Studienbriefen, Präsenz und Onlinephasen sowie Betreuung durch Online-Tutoren und Dozenten aufgebaut. Die Regelstudienzeit beträgt bis zum Erreichen des Master-Grades sechs Semester. Das Studium vermittelt theoretische und praktische Kenntnisse in den Bereichen Datenanalyse, Datenextraktion und Dateninterpretation. Ziel des Studiums ist die Befähigung des Absolventen zu praktischen, konzeptionellen, wissenschaftlichen und wirtschaftlichen Tätigkeiten im Bereich Data Science. Im 1. Semester werden die Grundlagen für Data Science in den Bereich Business Intelligence, Data Warehouse, Datamining sowie die Grundlagen für Big Data vermittelt. Aufbauend auf diesen Grundlagen werden im 2. bis 5. Semester die Kenntnisse mittels Modulen in den Bereichen Compliance, Business Process, Data Mining, Data Analysis und Programming vertieft. Im 4. Semester wird ein zweiwöchiges Kompaktseminar durchgeführt in welchem die Studierenden gemeinsam mit grundständig Studierenden und mit Unterstützung von Fachexperten aus der Industrie und Behörden Werkzeuge und Methoden der Datenanalyse kennenlernen. Im Anschluss beginnen die Studierenden ein 20-Wochen dauerndes Praktikum das bei einem LoI-Partner in der Anwendungsbranche erfolgt. Mit der Masterthesis zeigen die Teilnehmer am Ende des Studiums, dass sie die Fähigkeiten besitzen, Theorie und Technik mit Reflexion auf die eigene berufliche Qualifizierung an einem anwendungsbezogenen Beispiel wissenschaftlich umzusetzen. Modulübersicht Säule Säule 1: Business Information Vertiefung Data Privacy & Data Compliance (50400, HSAS) Master-Thesis (61000) Säule 2: Data Analytics Semantic Web Technologies (50300, UMA) Webmining (50200, UMA) Säule 3: Data Management In-Memory Databases / OLAP (50100, EKUT) Praxis Summer school [Tools and platforms] (40100 ) Practical Training (40200) Vertiefung Business Process & Big Data Use Cases (30400, HSAS) Textmining (30300, UMA) Machine Learning (30200, HSAS) Optimization Techniques for Data Analysis (30100, EKUT) Decision Support (20400, UMA) Large Scale Data Analysis and Parallelization (20300, HSAS) Web Data Integration (20200, UMA) Data Bases for Big Data (20100, EKUT)) Grundlagen Business Intelligence and Warehouses (10400, HSAS) Datamining (10300, UMA) Mathematical Foundations for Data Science (10200, HSAS) Programming for Data Science (10100, HSAS) Die Module einer thematischen Säule bauen inhaltlich auf einander auf. Die Teilnehmer werden kontinuierlich an schwierigere und komplexere Themen der Data Science herangeführt. Seite 2

4 Studienplan Die nachfolgende Abbildung zeigt die Verteilung der Module und ECTS-Punkte im Semesterverlauf: Modulgruppe 1. Semester 2. Semester 3. Semester 4. Semester 5.Semester 6. Semester Grundlagen Vertiefung Praxis Master Programming for Data Science Mathematical Foundations for Big Data Datamining Business Intelligence and Warehouse Databases for Big Data Web Integration Large Scale Data Analysis and Parallelization Decision Support Optimization Techniques for Data Analysis Machine Learning Textmining Business Process and Big Data Use Cases Summer school Practical Training 20 ECTS In-Memory Databases Webmining Semantic Web technologies Data Privacy and Data Compliance Master-Thesis 20 ECTS Seite 3

5 Modulübersicht Modul Programming for Data Science Prüfungs- / Modulnummer 10110/ Programming for Data Science Semester 1 Prof. Dr. Häberlein, Hochschule Albstadt-Sigmaringen? Deutsch Zuordnung zum Curriculum Grundlagen Keine Nach erfolgreichem Abschluss des Moduls sind die Studenten in der Lage, Daten (verschiedener Formate) mit Hilfe von Python/R zu verarbeiten, Analysen durchzuführen und in geeigneter Weise darzustellen Lehrinhalt Einführung Python/R (Libs, Datenstrukturen...) Verarbeitung Daten (Data Cleaning, Effizienz,...) Analysen (Bsp Anwendungen, fitting model to data, Darstellung,...) Bayessche Analyse Studien- und Prüfungsleistung K60 () Seite 4

6 Modul Mathematical Foundations for Data Science Prüfungs- / Modulnummer / Mathematical Foundations for Data Science Semester 1 Prof. Dr. Häberlein, Hochschule Albstadt-Sigmaringen Deutsch Zuordnung zum Curriculum Grundlagen Keine Die Studenten bekommen die mathematischen Grundlagen vermittelt, die im Data Science Umfeld notwendig sind. Nach erfolgreichem Abschluss des Moduls haben die Studenten die nötige Basis für die folgenden Vorlesungen. Lehrinhalt Wahrscheinlichkeitstheorie / Kombinatorik Verteilungen (diskrete, kontinuierliche, multivariate,...) Predictive Analytics (Korrelationen, Regression, Decision Tree learning, (InfoTheory?)) Bayessche Statistik (Theorem, Anwendungen, Klassifikator?) Studien- und Prüfungsleistung K60 () Seite 5

7 Modul Datamining Prüfungs- / Modulnummer / Datamining Semester 1 Prof. Dr. Bizer, Universität Mannheim Englisch Zuordnung zum Curriculum Grundlagen Lehrinhalt Studien- und Prüfungsleistung Keine Students will acquire fundamental knowledge of the techniques, opportunities and applications of data mining. Successful participants will be able to identify opportunities for applying data mining in an enterprise environment, select and apply appropriate techniques, and interpret the results. The course provides an introduction to advanced data analysis techniques as a basis for analyzing business data and providing input for decision support systems. The course covers the following topics: 1. Goals and Principles of Data Mining 2. The Data Mining Process (Data Representation and Preprocessing) 3. Clustering (k-means Clustering, Hierarchical Clustering, Density-based Clustering, Proximity Measures) 4. Classification (k-nearest-neighbors, Naïve Bayes, Decision Trees, Rule Induction, Evaluating Classification, The Overfitting Problem) 5. Regression (Linear Regression, KNN-Regression, Artificial Neural Networks for Regression) 6. Association Analysis (Frequent Itemset Generation, Rule Generation, Interestingness Measures, Sequential Patterns) K60 () Pang-Ning Tan, Michael Steinback, Vipin Kumar Introduction to Data Mining, 2nd Edition, 2014 Seite 6

8 Modul Business Intelligence & Warehouse Prüfungs- / Modulnummer / Business Intelligence and Warehouse Semester 1 Prof. Dr. Nemirovskij, Hochschule Albstadt-Sigmaringen Deutsch Zuordnung zum Curriculum Grundlagen Keine Primärziel dieses Moduls ist dem Studierenden umfassend die theoretischen Grundlagen von Business Intelligence (BI) und Data Warehouses (auch als Business Warehouses bezeichnet) und damit Kenntnisse über wesentliche BI-Methoden, -Technologien und -Tools zu vermitteln. Hierunter fallen neben der Begriffsabgrenzung und - einordnung auch entsprechende Architekturen, das Data Preprocesssing (ETL-Prozess), die Modellierung mehrdimensionaler Datenschemata sowie auch das Reporting. Lehrinhalt Einführung (Begriffsabgrenzung und -einordnung) BI-Systemarchitektur(en) Data Preprocessing Data Warehousing Reporting Aktuelle Trends Sofern möglich sollen einzelne Fallbeispiele aus der Unternehmenspraxis zu Illustrationszwecken herangezogen und in den Übungen aufgegriffen werden. Studien- und Prüfungsleistung K60 () Seite 7

9 Modul Data Bases for Big Data Prüfungs- / Modulnummer / Data Bases for Big Data Semester 2 Prof. Dr. Grust, Eberhard Karls Universität Tübingen Deutsch Zuordnung zum Curriculum Vertiefung Nach erfolgreichem Abschluss dieses Moduls sollen die Studierenden in der Lage sein zu beurteilen, welche Rolle Relationale Datenbanksysteme in daten-intensiven Anwendungen einnehmen und welchen (signifikanten) Mehrwert diese Systeme bieten können. Sie sollen Ausschnitte der realen Welt in der tabellarischen Form der relationalen Welt darstellen und die Qualität der entstandenen Modelle einschätzen können. Im Fokus steht dabei der Erwerb umfassender Fertigkeiten im Umgang mit der Datenbanksprache SQL und deren Einbettung in bekannte Programmiersprachen. Damit sind die Studierenden in der Lage, in ihren Applikationen Datenbanksysteme zu nutzen, um Massen von Daten sowohl in Tabellen- als auch in alternativen Formaten zu verarbeiten. Lehrinhalt Dieses Modul bietet eine klassische Einführung in das spannende Gebiet der Datenbanksysteme und umfasst u.a. die folgenden Themen: Datenbanksysteme und ihr Mehrwert in datenintensiven Anwendungen Tabellarische Speicherung und Abfrage im relationalen Modell Schlüssel, Funktionale Abhängigkeiten und Constraints Redundanzen, Normalformen und sinnvolles Datenbank- Design Alternative Datenstrukturen und deren Modellierung im relationalen Modell Einbettung von SQL in Python, Object-Relational Mapping Studien- und Prüfungsleistung K60 () Seite 8

10 Modul Web Data Integration Prüfungs- / Modulnummer / Web Data Integration Semester 2 Prof. Dr. Christian Bizer, Universität Mannheim Englisch Zuordnung zum Curriculum Vertiefung Keine Students will be able select and apply appropriate techniques for integrating and cleansing enterprise as well as Web data. Participants will acquire knowledge of the data integration process as well as the techniques that are used in each phase of the process. Lehrinhalt Heterogeneity and Distributedness The Data Integration Process Web Data Formats Schema Mapping and Data Translation Identity Resolution Data Quality Assessment Data Fusion Studien- und Prüfungsleistung K60 () Seite 9

11 Modul Large Scale Data Analysis & Parallelization Prüfungs- / Modulnummer / Large Scale Data Analysis & Parallelization Semester 2 Prof. Dr. Eppler, Hochschule Albstadt-Sigmaringen Deutsch Zuordnung zum Curriculum Vertiefung Keine Die Studierenden können Map/Reduce-/YARN- Datenbanktechnologien und verteilte Datenbankmanagementsysteme anwenden und kennen die theoretischen Prinzipien der Partitionierung und Verteilung. Lehrinhalt Überblick zu No-SQL-Datenbanken Map Reduce/YARN Aufbau des DBMS Hadoop mit o Hadoop File System o Map Reduce/YARN o Hive o Partitionierung o Realationale und nicht relationale Daten einfügen Verteilte Datenbanken o Vertikale/horizontale Fragmentierung o Fragmentierungstransparenz o Transaktionskontrolle MySQL Clusters o Cluster einrichten o Partitionierung o Verwaltung von Partitionen o SQL in verteilten Datenbanken Studien- und Prüfungsleistung K60 () Seite 10

12 Modul Decision Support Prüfungs- / Modulnummer / Decision Support Semester 2 Prof. Dr. Stuckenschmidt, Universität Mannheim Englisch Zuordnung zum Curriculum Vertiefung Lehrinhalt Studien- und Prüfungsleistung Keine Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory. Successful participants will be able to identify opportunities for decision support in an enterprise environment, select and apply appropriate techniques, and interpret the results. The Module is based on the Textbook: Artificial Intelligence: A Modern Approach by Stuart Russell and Peter Norvig and will cover the following chapters: Intelligent Agents Logical Decision Making Classical Planning Quantifying Uncertainty Probabilistic Reasoning Probabilistic Reasoning Over Time Making Simple Decisions Making Complex Decisions Game Theory and Mechanism Design K60 () Seite 11

13 Modul Optimization Techniques for Data Anaylsis Prüfungs- / Modulnummer / Optimization Techniques for Data Analysis Semester 3 Prof. Dr. Grust, Eberhard Karls Universität Tübingen Deutsch Zuordnung zum Curriculum Vertiefung Lehrinhalt Studien- und Prüfungsleistung Keine Mit erfolgreichem Abschluss dieses Moduls sollen die Studierenden einen Einblick in die Techniken zur Optimierung von Datenbankanfragen gewinnen. Dabei soll ein Bewusstsein dafür entwickelt werden, welche Probleme bei daten-intensiven Anwendungen gelöst werden muss und wie Datenbankmanagementsysteme diese in Angriff nehmen. Die Einflussmöglichkeiten, die dem Benutzer dabei bleiben, sollen verstanden, bewertet und sinnvoll eingesetzt werden können. Damit sind die Studierenden über das reine Bedienen eines Datenbanksystems hinaus in der Lage, selbst konkrete Optimierungen von Anwendungen zu bewirken und das System entsprechend zu konfigurieren. Dieses Modul bietet einen Einblick in die Interna relationaler Datenbanksysteme. Es wird dargestellt, wie Datenbanken die Ausführung von Abfragen optimieren können. Dabei werden u.a. folgende Themen beleuchtet: Speicherhierarchie und grundlegende Architektur eines Datenbanksystems Indizierung als Technik zum effizienten Datenzugriff Ausführungspläne und deren Optimierung Transaktionsmanagement K60 () Seite 12

14 Modul Machine Learning Prüfungs- / Modulnummer / Machine Learning Semester 3 Prof. Dr. Knoblauch, Hochschule Albstadt-Sigmaringen Deutsch Zuordnung zum Curriculum Vertiefung Lehrinhalt Studien- und Prüfungsleistung Data Mining / Decision Support Diese Vorlesungen vermitteln einen systematischen vereinheitlichenden Überblick über Methoden des maschinellen Lernens und deren Anwendungsmöglichkeiten. Nach Abschluss dieses Moduls soll der Student ein "Arsenal" von Methoden kennen und verstehen, sowie in der Lage sein - je nach Problemstellung - geeignete Verfahren des Maschinellen Lernens auszuwählen, anzuwenden und zu evaluieren. Aufbauend auf den Vorlesungen "Datamining" und "Decision Support" vermittelt diese Vorlesung einen systematischen vereinheitlichenden Überblick über Methoden des maschinellen Lernens und deren Anwendungsmöglichkeiten. Einführung/Überblick Maschinelles Lernen, einfache lineare Modelle Neuronale Netzwerke Kernel-Methoden & Support Vector Machines Graphical Probabilistic Models Kombination von Modellen Lernen von Verhaltensmodellen K60 () Seite 13

15 Modul Textmining Prüfungs- / Modulnummer / Textmining Semester 3 Prof. Dr. Ponzetto, Universität Mannheim Englisch Zuordnung zum Curriculum Vertiefung Lehrinhalt Successful participants will be able to understand state-of-the-art methods for Natural Language Processing, as well as being able to select, apply and evaluate the most appropriate techniques for a variety of different practical and application-oriented scenarios. In the digital age, techniques to automatically process textual content have become ubiquitous. Given the breakneck speed at which people produce and consume textual content online e.g., on micro-blogging and other collaborative Web platforms like wikis, forums, etc. there is an ever-increasing need for systems that automatically understand human language, answer natural language questions, translate text, and so on. This class will provide a complete introduction to state-ofthe-art principles and methods of Natural Language Processing (NLP). The main focus will be on statistical techniques, and their application to a wide variety of problems. This is because statistics and NLP are nowadays highly intertwined, since many NLP problems can be formulated as problems of statistical inference, and statistical methods, in turn, represent de-facto the standard way to solve many, if not the majority, of NLP problems. Covered topics will include: Words o Language Modeling o Part-Of-Speech Tagging Syntax o Statistical Parsing Semantics and pragmatics o Computational Lexical Semantics o Computational Discourse Applications o Topic Modeling o Information Extraction Seite 14

16 Studien- und Prüfungsleistung o Question Answering and Summarization o Statistical Alignment and Machine Translation K60 () Seite 15

17 Modul Business Process and Big Data Use Cases Prüfungs- / Modulnummer / Business Process and Big Data Use Cases Semester 3 Prof. Dr. Ruf, Hochschule Albstadt-Sigmaringen Deutsch Zuordnung zum Curriculum Vertiefung In diesem Modul lernen die Studierenden den Anwendungsbezug von Big Data Analytics in der betrieblichen Praxis. Das Modul vermittelt aus betriebswirtschaftlicher Perspektive wie Unternehmen mit Big Data Lösungen messbare Beiträge für die Wertschöpfung leisten. Hierzu lernen die Studierenden, wie Big Data Analytics Projekte gemanagt werden, welche Wertschöpfungs- und Businessmodelle in der Datenwirtschaft möglich sind und wie Big Data Technologien für intelligentere Geschäftsprozesse im Unternehmen genutzt werden können. Lehrinhalt Business Modelle in der Datenwirtschaft Kategorisierung und Vorstellung von Use cases Vorgehensmodelle für BDA-Projekte Management von BDA-Projekten BDA RoI Referenzarchitekturen für BDA-Systeme Deployment Process Intelligence Datengetriebene Prozessanalysen und optimierungen Studien- und Prüfungsleistung K60 () Seite 16

18 Modul Kompaktseminar (Summerschool) Prüfungs- / Modulnummer - / Kompaktseminar (Summerschool) Semester 4 Tutoren HSAS, EKTU, UMA und von Partnerunternehmen Deutsch, Englisch Zuordnung zum Curriculum Praxis Summe: 80h Präsenzanteil: 80h Vorlesungen Übungen - - Das Kompaktseminar vermittelt den lernen die Studierenden unter Anleitung von Experten Werkzeuge und Methoden zur Analyse kennen und anzuwenden. Lehrinhalt Studien- und Prüfungsleistung Inhalte in Abhängigkeit von den durchführenden Dozenten wird von den durchführenden Dozenten angegeben. Seite 17

19 Modul Praktikum Prüfungs- / Modulnummer / Praktikum Semester 4 LoI-Partner der Anwendungsbranche LoI-Partner der Anwendungsbranche Deutsch, Englisch Zuordnung zum Curriculum Praxis Summe: 160h Präsenzanteil: 160h Mitarbeit an Aufgabenstellungen des LoI-Partner Ergebnis: Projektarbeit zur Bewertung durch den LoI-Partner Verteidigung der Projektarbeit vor Mitarbeitern des LoI- Partner (Dauer 40 Minuten; 20 Minuten Vortrag & 20 Minuten Verteidigung) Lehrinhalt Studien- und Prüfungsleistung R (1) M40 () Kompaktseminar Der Studierende ist in der Lage das in den Semestern 1 bis 3 erlernten Wissen in der Anwendungsbranche einzusetzten Inhalte werden durch den LoI-Partner vorgegeben. Pr (20 ECTS) wird duch den LoI-Partner vorgegeben Seite 18

20 Modul In-Mermory Databases Prüfungs- / Modulnummer / In-Memory Databases Semester 5 Prof. Dr. Grust, Eberhard Karls Universität Tübingen Deutsch Zuordnung zum Curriculum Vertiefung Lehrinhalt Studien- und Prüfungsleistung K60 () Seite 19

21 Modul Webmining Prüfungs- / Modulnummer / Webmining Semester 5 Prof. Dr. Bizer, Universität Mannheim Deutsch Zuordnung zum Curriculum Vertiefung Lehrinhalt Studien- und Prüfungsleistung K60 () Seite 20

22 Modul Semantic Web Technologies Prüfungs- / Modulnummer / Sematic Web Technologies Semester 5 Prof. Dr. Stuckenschmidt, Universtät Mannheim Englisch Zuordnung zum Curriculum Vertiefung Lehrinhalt Studien- und Prüfungsleistung The participants of this course learn about principles and applications of Semantic Web standards. They become familiar with their technical foundations such as representation and query languages, or logical inference. After taking this course, the students will be aware of the problems and benefits of semantic technologies in the context of tasks such as knowledge management, information search and data integration, and they will be capable of judging the applicability of these technologies for addressing practical challenges. This course gives an introduction to the technical foundations of Semantic Web Technologies, including knowledge representation and query languages, as well as logical inference. More specifically, it covers the following contents: Vision and Principles of the Semantic Web Representation Languages (XML, RDF, RDF Schema, OWL) Knowledge Modeling: Ontologies and Linked Data Logical Reasoning in RDF and OWL Commercial and Open Source Tools and Systems K60 () Pascal Hitzler, Markus Krötzsch and Sebastian Rudolph, Foundations of Semantic Web Technologies, Chapman & Hall/CRC, 2009 Seite 21

23 Modul Data Privacy & Data Compliance Prüfungs- / Modulnummer / Data Privacy & Data Compliance Semester 5 Prof. Dr. Ruf, Hochschule Albstadt-Sigmaringen Zuordnung zum Curriculum Vertiefung Business Process and Big Data Use Cases Nach Abschluss des Moduls kennen die Studierenden nationale und internationale Datenschutznormen und sind in der Lage Unterschiede herauszustellen. Sie kennen die verschiedenen Stadien der Datenerhebung, können diese rechtlich würdigen und in den betrieblichen Kontext einordnen. Die Studierenden haben auf der Grundlage von Praxisfällen gelernt, wie BDA- Projekte aus Datenschutzperspektive zu bearbeiten sind. Sie kennen die Schutzziele und können deren Berücksichtigung dokumentieren und bewerten. Die Studierenden kennen technische Lösungen zur Umsetzung des Datenschutzes und sind befähigt diese auf konkrete Use Cases anzuwenden. Lehrinhalt Einführung und Abgrenzung Datenschutz und Datensicherheit Normen Formen der Datenerhebung Datenarten Stadien der Datenverarbeitung Prinzipen und Schutzziele des Datenschutzes Datenschutzmodellierung Technische Lösungen Studien- und Prüfungsleistung K60 () Seite 22

24 Modul Master Thesis Prüfungs- / Modulnummer / Master Thesis Semester 6 1. Prüfer Dozenten der HSAS, EKUT oder UMA 2. Prüfer Dozenten der HSAS, EKUT oder UMA Deutsch, Englisch Zuordnung zum Curriculum Master Summe: 900h Vorlesungsteil (Kolloquien-Vortragsteilnahme): 10h Prüfung (Verteidigung): 1h Fernstudienanteil: 880h studium und Anleitung zum wissenschaftlichen Arbeiten: 80h Praktische Arbeiten für Entwurf, Umsetzung und Test: 500h Wahrnehmen der Onlinebetreuung und Beratung: 100h Ausarbeiten der Dokumentation, Verteidigung: 150h Prüfungsvorbereitung Verteidigung: 50h (1ETCS = 30h) 1 (schriftliche Prüfungsarbeit) (Verteidigung) Das Thema der Master-Thesis wird frühestens nach Abschluss des dritten Studiensemesters und spätestens drei Monate nach Abschluss aller Modul- bzw. Modulteilprüfungen ausgegeben. In Ausnahmefällen kann der Prüfungsausschuss auch bei Fehlen einer Prüfungsleistung (aus den ersten drei Semestern) der Zulassung zur Master-Thesis zustimmen. (gem. XX Abs. XX Satz X StuPo) Mit der Master-Arbeit erbringt der Student den Nachweis, dass er unter Anleitung selbstständige umfangreiche wissenschaftliche Themen bearbeiten kann. Er zeigt damit, dass er in der Lage ist, praxisorientierte oder theoretische Themenstellungen nach wissenschaftlichen Kriterien zu analysieren, zu strukturieren und ergebnisorientiert zu bearbeiten. Die Master-Thesis dokumentiert seine Arbeit und erfüllt die Kriterien eines wissenschaftlichen Berichts. Der Student erläutert und begründet seine Vorgehensweisen, Methoden und seinen Lösungsweg. Mit der Verteidigung wird das erworbene Wissen des Studenten im Zusammenhang geprüft. Er zeigt, dass er das im Studium erworbene Wissen zur Lösung umfassender Probleme der Data Science anwenden kann. Lehrinhalt Ist abhängig vom Thema und Inhalt der Master-Thesis. Studien- und Prüfungsleistung Ma (1) M40 () Ist abhängig vom Thema und Inhalt der Master-Thesis. Anleitung zur wissenschaftlichen Arbeit Projektmanagement und Dokumentation Vom Kandidaten selber vorgeschlagene vertiefende Seite 23