Data Science und Maschinelles Lernen (M.Sc.)

Theorie: Statistisches Lernen, probabilistische Modellierung, Optimierung und Generalisierung.

Praxis: Deep Learning (Bildverarbeitung/Zeitreihen), Anwendungen von Geodaten oder Bio-/Medizindaten, Feature Engineering und Evaluierung über die Genauigkeit hinaus (Kalibrierung, Fairness).

Engineering: Reproduzierbarkeit, versionierte Daten/Modelle, grundlegende MLOps und Experimentverfolgung.

Interdisziplinäre Arbeit: Projekte mit Domänenlaboren (z. B. Umwelt, Biomedizin) unter Verwendung realer Datensätze und Randbedingungen.

Ethik & Sicherheit: Bias, Datenschutz und Modellrisikomanagement; Transparente Berichterstattung.

Abschlussarbeit/Thesis: Veröffentlichungsreifes oder produktionsfertiges Projekt mit Code, Dokumentation und Fehleranalyse.

Ergebnisse: Positionen als angewandter Wissenschaftler/Data Science Engineer, Forschungsassistenzstellen, Promotionsmöglichkeiten.