Weitere Module10 ECTS
Geometrie von Mannigfaltigkeiten
Mathematische Theorie von Mannigfaltigkeiten mit Anwendungen in der Data Science.
Friedrich-Alexander-Universität Erlangen-Nürnberg · Master
Data Science Master of Science an der Friedrich-Alexander-Universität Erlangen-Nürnberg
Der Masterstudiengang Data Science an der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) verbindet mathematische Tiefe mit datengetriebener Praxis und führt in Erlangen zu einem M.Sc.-Abschluss.M.Sc.
Master of Science
120
ECTS-Punkte
4 Sem.
Regelstudienzeit
Erlangen
Studienort
Über den Studiengang
Data Science an der FAU Erlangen-Nürnberg richtet sich an Studierende, die nach einem ersten berufsqualifizierenden Abschluss ihre analytischen und mathematischen Fähigkeiten vertiefen möchten. Der Masterstudiengang ist zulassungsfrei und wird in Vollzeit am Standort Erlangen angeboten, einem Universitätsstandort mit ausgeprägter Tradition in Mathematik, Informatik und Ingenieurwissenschaften.
Anders als viele reine Anwendungsstudiengänge legt das Programm einen spürbaren Schwerpunkt auf theoretische Grundlagen: Module zu Geometrie von Mannigfaltigkeiten, Lie-Algebren und Lie-Gruppen zeigen, dass hier nicht nur Werkzeuge angewendet, sondern deren mathematisches Fundament durchdrungen werden soll. Das passt zum Ruf der FAU als forschungsstarke Universität mit enger Verzahnung von Mathematik und Naturwissenschaften.
Studierende erwerben so eine Kombination aus algorithmischem Denken, statistischer Modellierung und einem tiefen Verständnis geometrischer und algebraischer Strukturen, die in modernen Data-Science-Methoden wie Deep Learning oder Manifold Learning zunehmend relevant werden.
Curriculum & Module
75 Module · 120 ECTS gesamt – der vollständige Studienverlauf. Durchsuche alle Module oder filtere nach Semester.
Weitere Module10 ECTS
Lie-Algebren
Theorie der Lie-Algebren mit Anwendungen in der Mathematik und Data Science.
Weitere Module10 ECTS
Lie-Gruppen
Theorie der Lie-Gruppen und deren Rolle in mathematischen Strukturen.
Weitere Module
Simulation and Modeling 1
Grundlagen von Simulation und mathematischer Modellierung.
Weitere Module
Simulation and Modeling 2
Vertiefung in fortgeschrittene Simulationstechniken und Modellierung.
Weitere Module
Simulation and Scientific Computing 1
Simulationsmethoden im Kontext wissenschaftlichen Rechnens.
Weitere Module
Simulation and Scientific Computing 2
Fortgeschrittene Techniken des wissenschaftlichen Rechnens und Simulation.
Weitere Module
Modellierung, Optimierung und Simulation von Energiesystemen
Anwendung von Modellierung, Optimierung und Simulation auf Energiesysteme.
Weitere Module
Dienstgüte von Kommunikationssystemen
Analyse und Optimierung der Dienstgüte in Kommunikationssystemen.
Weitere Module
Partial Differential Equations Based Image Processing
Bildverarbeitung basierend auf partiellen Differentialgleichungen.
Weitere Module
Inverse Problems and their Regularization
Theorie und Lösungsmethoden für inverse Probleme mit Regularisierungstechniken.
Weitere Module
Practical Course: Modeling, Simulation, Optimization
Praktisches Seminar zur Anwendung von Modellierung, Simulation und Optimierung.
Weitere Module
PDEs in Data Science
Anwendung partieller Differentialgleichungen in Data Science Methoden.
Weitere Module
Advanced Discretization Techniques
Fortgeschrittene Diskretisierungsmethoden für numerische Lösungen.
Weitere Module
Advanced Solution Techniques
Fortgeschrittene Lösungstechniken für numerische und mathematische Probleme.
Weitere Module
Stochastische Analysis
Mathematische Grundlagen stochastischer Prozesse und Analysis.
Weitere Module
Wahrscheinlichkeitstheorie
Fundamentale Konzepte und Methoden der Wahrscheinlichkeitstheorie.
Weitere Module
Fortgeschrittene Risikoanalyse 1
Fortgeschrittene Methoden der Risikoanalyse und Quantifizierung.
Weitere Module
Mathematics of Simulations in Statistics and Artificial Intelligence
Mathematische Grundlagen von Simulationen in Statistik und KI.
Weitere Module
Advanced Mathematics of Simulations in Statistics and Artificial Intelligence
Fortgeschrittene mathematische Techniken für Simulationen in Statistik und KI.
Weitere Module
Machine learning in signal processing
Anwendung von Machine Learning Methoden in der Signalverarbeitung.
Weitere Module
Lab Course Machine Learning in Signal Processing
Praktisches Laborpraktikum für Machine Learning in der Signalverarbeitung.
Weitere Module
Mathematical methods for machine learning and signal processing
Mathematische Methoden für Machine Learning und Signalverarbeitung.
Weitere Module
Quantum Computing
Grundlagen und Anwendungen von Quantencomputing.
Weitere Module
Experimentalphysik 1 für Mathematikstudierende
Experimentelle Physik Kurs spezialisiert für Mathematikstudenten.
Weitere Module
Experimentalphysik 1+2: Mechanik, Wärmelehre und Elektrodynamik
Experimentelle Physik behandelt Mechanik, Wärmelehre und Elektrodynamik.
Weitere Module
Computerphysik und numerische Methoden
Computergestützte Physik und numerische Verfahren.
Weitere Module
Rechnerkommunikation
Grundlagen der Datenübertragung und Kommunikation in Rechnernetzen.
Weitere Module
Computergraphik
Techniken und Algorithmen der Computergraphik.
Weitere Module
Software-Entwicklung in Großprojekten
Methoden und Praktiken der Softwareentwicklung in größeren Projekten.
Weitere Module
Nailing your Thesis
Schulung und Unterstützung zum Verfassen wissenschaftlicher Arbeiten.
Weitere Module
Einführung in die IT-Sicherheit
Grundlagen von IT-Sicherheit und Cybersecurity.
Weitere Module
Grundlagen der Rechnerarchitektur und -organisation
Fundamentale Konzepte der Rechnerarchitektur und -organisation.
Weitere Module
Rechnerarchitektur
Tiefergehende Behandlung der Rechnerarchitektur und deren Komponenten.
Weitere Module
Approximate Computing
Techniken des approximativen Rechnens für effiziente Berechnung.
Weitere Module
SWAT-Intensivübungen
Intensive Übungen zu Software- und Algorithmen-Techniken.
Weitere Module
Implementierung von Datenbanksystemen
Praktische Implementierung und Realisierung von Datenbanksystemen.
Weitere Module
Graph Routing and Applications
Graphenbasierte Routing-Algorithmen und deren Anwendungen.
Weitere Module
Kryptographie I – Teil 1
Einführung in Kryptographie und kryptographische Verfahren.
Weitere Module
Kryptographie II – Teil 1
Fortgeschrittene Themen in Kryptographie und IT-Sicherheit.
Weitere Module
Lineare Komplementaritätsprobleme
Mathematische Theorie und Lösungsverfahren für lineare Komplementaritätsprobleme.
Weitere Module
Projektseminar Optimierung
Projektseminar mit Fokus auf praktische Optimierungsanwendungen.
Weitere Module10 ECTS
Projekt Datenbanken Wissensrepräsentation
Projektmodul zu Datenbanken und Wissensrepräsentation.
Weitere Module10 ECTS
Projekt Machine Learning/Artificial Intelligence
Projektmodul zu Machine Learning und künstlicher Intelligenz.
Weitere Module
Projekt Simulation und Numerik
Projektmodul zu Simulation und numerischen Methoden.
1. Semester5 ECTS
Mathematical Data Science
Modul kombiniert Vorlesung und praktische Übungen zu mathematischen Grundlagen der Datenwissenschaft mit mündlicher Prüfung (15 Min.).
1. Semester5 ECTS
Discrete Optimization I
Einführung in diskrete Optimierungsmethoden und Algorithmen für die Datenorientierte Optimierung.
1. Semester5 ECTS
Optimization in Industry and Economy
Anwendungen von Optimierungsmethoden in industriellen und wirtschaftlichen Kontexten.
1. Semester5 ECTS
Advanced Algorithms for Nonlinear Optimization
Fortgeschrittene Algorithmen für nichtlineare Optimierungsprobleme.
1. Semester10 ECTS
Funktionalanalysis I
Einführung in die Funktionalanalysis als mathematische Grundlage der Data Science.
1. Semester10 ECTS
Partielle Differentialgleichungen I
Grundlagen partieller Differentialgleichungen und deren Anwendungen in der Data Science.
1. Semester5 ECTS
Datenstromsysteme
Systeme zur Verarbeitung und Analyse von Datenströmen in Echtzeit.
1. Semester5 ECTS
Multimedia-Datenbanken und Objektorientierte Datenbanken
Datenbanksysteme für multimediale Daten und objektorientierte Ansätze.
1. Semester5 ECTS
eBusiness Technologies und Evolutionäre Informationssysteme
Technologien für E-Business und evolutionäre Konzepte von Informationssystemen.
1. Semester7.5 ECTS
Artificial Intelligence I
Grundlagen der künstlichen Intelligenz und ihrer Methoden.
1. Semester5 ECTS
Pattern Recognition
Techniken zur Mustererkennung in Daten mittels Machine Learning.
2. Semester5 ECTS
Deep Learning
Kernmodul zu Deep Learning Methoden und Techniken gemäß FPOINF §43a.
2. Semester10 ECTS
Discrete Optimization II
Vertiefung der diskreten Optimierungsmethoden und fortgeschrittene Techniken in der Datenorientierten Optimierung.
2. Semester5 ECTS
Optimization with Partial Differential Equations
Optimierungsmethoden unter Berücksichtigung partieller Differentialgleichungen.
2. Semester10 ECTS
Introduction to Material and Shape Optimization
Einführung in Material- und Formoptimierungsprobleme mit praktischen Anwendungen.
2. Semester5 ECTS
Robuste Optimierung 2
Fortgeschrittene Methoden der robusten Optimierung für unsichere Daten und Parameter.
2. Semester5 ECTS
Numerical Aspects of Linear and Integer Programming
Numerische Aspekte linearer und ganzzahliger Programmierungsprobleme.
2. Semester5 ECTS
Mathematische Grundlagen zu Data Analytics, Neuronale Netze und Künstliche Intelligenz
Mathematische Fundierung von Data Analytics, neuronalen Netzen und KI-Methoden.
2. Semester10 ECTS
Partielle Differentialgleichungen II
Vertiefung in partielle Differentialgleichungen und fortgeschrittene Techniken.
2. Semester10 ECTS
Einführung in die Darstellungstheorie
Einführung in Darstellungstheorie als mathematische Grundlage der Data Science.
2. Semester5 ECTS
Datenbanken in Rechnernetzen und Transaktionssysteme
Verteilte Datenbanksysteme in Rechnernetzen und Transaktionsverwaltung.
2. Semester7.5 ECTS
Artificial Intelligence II
Vertiefung in fortgeschrittene KI-Techniken und Anwendungen.
2. Semester5 ECTS
Pattern Analysis
Analyse und Interpretation von Mustern in großen Datenmengen.
3. Semester5 ECTS
Mathematics of Learning
Modul behandelt mathematische Grundlagen des Machine Learning mit Vorlesung und Übungen sowie mündlicher Prüfung (30 Min.).
3. Semester10 ECTS
Advanced Nonlinear Optimization
Vertiefung in fortgeschrittene Techniken der nichtlinearen Optimierung.
3. Semester5 ECTS
Statistische Mechanik
Grundlagen der statistischen Mechanik mit Relevanz für probabilistische Methoden.
3. Semester5 ECTS
Machine Learning for Time Series
Machine Learning Methoden spezialisiert auf Zeitreihendaten.
3. Semester10 ECTS
Software-Anwendungen mit KI
Praktische Anwendungen von KI in Softwareentwicklung und Systemen.
3. Semester5 ECTS
Masterseminar
Seminar zur Vertiefung und Diskussion von Masterthemen mit Seminarleistung.
4. Semester30 ECTS
Masterarbeit
Masterarbeit (ca. 60 Seiten; 85%) und Vortrag mit mündlicher Prüfung (ca. 60 + 15 min; 15%).
Keine Module gefunden. Suche anpassen oder Filter zurücksetzen.
Moduldaten aus dem offiziellen Modulhandbuch der Hochschule München. Umfang und Angebot können sich je Studien- und Prüfungsordnung ändern.
Studiengang im Detail
Über den Studiengang
Der Master Data Science an der FAU Erlangen-Nürnberg ist als forschungsorientierter Universitätsstudiengang konzipiert, der mathematische Strenge mit datenwissenschaftlicher Praxis verknüpft. Die Zulassung erfolgt zulassungsfrei, was den Einstieg erleichtert, jedoch keine Aussage über den fachlichen Anspruch des Programms trifft.
Der Studienort Erlangen bietet eine enge Anbindung an mathematisch-naturwissenschaftliche Fakultäten und ermöglicht den Zugang zu spezialisierten Lehrstühlen, die auch geometrische und algebraische Grundlagenforschung betreiben.
Studieninhalte
Neben klassischen Data-Science-Themen wie maschinellem Lernen und statistischer Analyse fällt auf, dass Module wie Geometrie von Mannigfaltigkeiten, Lie-Algebren und Lie-Gruppen fest im Curriculum verankert sind. Diese Inhalte vermitteln ein tieferes Verständnis für die mathematischen Strukturen hinter modernen Algorithmen, etwa bei nichtlinearer Dimensionsreduktion oder geometrischem Deep Learning.
Damit unterscheidet sich der Studiengang von vielen anwendungsorientierten Data-Science-Programmen, die stärker auf Tools und Softwarepraxis setzen, und positioniert sich klar im Schnittfeld von Mathematik und Informatik.
Für wen passt das?
Besonders geeignet ist der Studiengang für Personen mit einem mathematisch-technischen Erststudium, etwa aus Mathematik, Physik oder Informatik, die Freude an abstrakten Strukturen und formaler Herleitung haben. Wer lieber pragmatisch mit fertigen Tools arbeitet, sollte die mathematische Ausrichtung realistisch einschätzen.
Auch Studieninteressierte, die später in Forschung, Entwicklung neuer Algorithmen oder hochspezialisierten Analyseteams arbeiten möchten, finden hier ein passendes Fundament.
Karriere & Arbeitsmarkt
Absolventinnen und Absolventen richten sich beruflich häufig in Richtung Berufe in der Informatik aus, etwa als Data Scientist, Machine-Learning-Entwickler oder in Forschungspositionen mit Fokus auf mathematische Modellierung.
Die Kombination aus solider Programmierpraxis und vertiefter mathematischer Theorie kann besonders in forschungsnahen Unternehmen oder wissenschaftsnahen Abteilungen ein Alleinstellungsmerkmal sein.
Hochschule & Format
Die FAU Erlangen-Nürnberg ist eine große Universität mit breitem Fächerspektrum und starker MINT-Ausrichtung. Das Vollzeitstudium in Erlangen ermöglicht eine enge Einbindung in Forschungsprojekte und den direkten Kontakt zu Lehrstühlen mit mathematischem Schwerpunkt.
Das Format eignet sich für Studierende, die sich voll auf ein anspruchsvolles, theorielastiges Curriculum konzentrieren möchten.
Zulassung & Zugangswege
ZulassungsfreiData Science ist an der FAU in der Regel zulassungsfrei – der Einstieg ist ohne Numerus Clausus möglich.
ZugangswegeIn der Regel Abitur oder Fachhochschulreife – auch beruflich Qualifizierte können zugelassen werden; ein einschlägiges Vorpraktikum ist teils empfohlen.
Deine Zulassungschancen
Ehrliche Einordnung auf Basis der gebundenen Daten, plus dein persönlicher Match.
Gute Nachrichten: zulassungsfrei
Dieser Studiengang hat keinen Numerus Clausus. Deine Abiturnote ist für die Zulassung nicht entscheidend, oft ist sogar ein Einstieg ohne Abitur möglich.
Kosten & Finanzierung
An staatlichen Hochschulen fallen in der Regel keine Studiengebühren an – du zahlst nur den Semesterbeitrag.
| Position | Betrag |
|---|---|
| Studiengebühren | 0 € |
| Semesterbeitrag | ca. 250 bis 350 € / Semester |
| Enthalten | u. a. Semesterticket & Studierendenwerk |
Richtwerte – den genauen Semesterbeitrag nennt die Hochschule.
Deine Jobgarantie mit StudySmarter
Wenn du deinen Studiengang über StudySmarter und das StudyKit findest und dich darüber einschreibst, ist die Jobgarantie automatisch dabei.
Jobgarantie
6 Monate
Findest du innerhalb von 6 Monaten nach deinem Abschluss keinen Job, übernehmen wir dein professionelles Jobcoaching – so lange, bis du einen hast.
Gilt ab dem Tag deines Studienabschlusses.
So sicherst du sie dir
- Finde & wähle deinen Studiengang über StudySmarter und das StudyKit
- Schreib dich darüber an deiner Uni ein und schließe erfolgreich ab
- Bewirb dich über die StudySmarter Jobbörse und CareerKit für deinen ersten Job nach dem Studium
Ohne Zusatzkosten
Automatisch dabei.
Mit deiner Einschreibung über StudySmarter ist die Jobgarantie inklusive – du musst nichts extra buchen.
Infomaterial anfordern
Es gelten die Teilnahmebedingungen. Details und Bedingungen erhältst du mit dem Infomaterial.
Karriere & Gehalt
Der Weg vom Berufseinstieg bis zur Führungsposition zeigt, wie sich mathematisch fundierte Data-Science-Kompetenz im Berufsleben entfalten kann.
- Junior Data Scientist / Data AnalystEinstieg in Analyseteams, Aufbau praktischer Erfahrung mit Modellen und Datenpipelines · 0 bis 2 Jahre
- Data ScientistEigenständige Entwicklung und Anwendung von Modellen, auch mit komplexeren mathematischen Verfahren · 2 bis 5 Jahre
- Senior Data Scientist / Research ScientistVerantwortung für anspruchsvolle Modellierungsprojekte, oft mit Forschungsbezug · 5 bis 8 Jahre
- Lead Data Scientist / Head of Data ScienceFachliche und strategische Leitung von Data-Science-Teams · 8 bis 12 Jahre
Gehaltsspanne nach Karrierephase
Branchenweite Marktorientierung für Berufe in der Informatik (o.S.) (brutto pro Jahr), kein hochschulspezifischer Wert. Tatsächliche Gehälter hängen von Branche, Region und Erfahrung ab.
Arbeitsmarkt & Zukunft
Wie sich der Berufsalltag von Data Scientists durch KI verändert, lässt sich anhand konkreter Aufgabenbereiche greifbar machen.
46–86 Tage
Vakanzzeit – so lange bleibt eine gemeldete Stelle im Schnitt offen.
BA EngpassanalyseEngpassberuf
Offizielle Einstufung für Berufe in der Informatik (o.S.).
Fachkräftemangel66.000 €
Orientierungswert Bruttojahresgehalt (Median).
GehaltWie KI den Beruf verändert
KI-Systeme übernehmen zunehmend Routineaufgaben in der Datenanalyse, verändern aber auch, welche menschlichen Fähigkeiten wichtiger werden.
KI nimmt dir ab
- Automatisierte Datenbereinigung und Feature-Engineering durch spezialisierte Tools
- Vortrainierte Modelle für Standardaufgaben wie Klassifikation oder Clustering
- Automatisiertes Hyperparameter-Tuning und Modellvergleich
- Generierung von Standardvisualisierungen und Reports
Menschlich gefragter denn je
- Mathematisch fundierte Modellentwicklung für nicht-standardisierte Probleme
- Interpretation komplexer geometrischer und algebraischer Modellstrukturen
- Kritische Bewertung von Modellannahmen und Grenzen der Automatisierung
- Kommunikation von Ergebnissen an fachfremde Stakeholder
Kompetenzen aus Modulen wie Geometrie von Mannigfaltigkeiten und Lie-Gruppen bilden die Grundlage für ein tiefes Verständnis moderner, geometrisch motivierter Machine-Learning-Verfahren.
Arbeiten neben dem Studium
Sammle schon im Studium Praxis und verdiene dazu – Werkstudentenjobs und Praktika in Erlangen, ideal neben dem Präsenzstudium am Campus.
bis 20 Std.pro Woche im Semester – das erlaubt das Werkstudentenprivileg
ab 13,90 €pro Stunde gesetzlicher Mindestlohn; technische Werkstudierende oft darüber
SV-freiWerkstudentenjobs sind weitgehend sozialversicherungsfrei – mehr netto bleibt
Werkstudentenjobsin ErlangenLive Praktikain ErlangenLive Werkstudent Maschinenbaubundesweit & remoteLive
Stellen live aus der StudySmarter Jobbörse · laufend aktualisiert.
Tools & Rechner
Kostenlose StudySmarter-Tools für Finanzierung, Karriere und Bewerbung – direkt einsatzbereit.
GehaltsrechnerWas verdienst du mit diesem Abschluss? Gehälter nach Beruf und Region.BAföG-RechnerBerechne in zwei Minuten deinen möglichen BAföG-Anspruch.Karriere-QuizFinde heraus, welche Berufe und Studiengänge zu dir passen.CV-CheckLass deinen Lebenslauf prüfen und erhalte konkrete Verbesserungen.Skills-AnalyseWelche Skills brauchst du im Beruf – und wo hast du noch Lücken?KarrierepfadSieh typische Karrierewege und Gehaltsstufen für deinen Beruf.
Die Hochschule im Profil
Kurzprofil der Friedrich-Alexander-Universität Erlangen-Nürnberg – Trägerschaft, Format und, wo verfügbar, unsere Einschätzung aus Studierendenbewertungen.
FA
Friedrich-Alexander-Universität Erlangen-Nürnberg
Staatliche HochschulePräsenzstudiumErlangen
StudySmarter-Score
Für diese Hochschule liegen noch keine aggregierten Studierendenbewertungen vor.
Was Studierende sagen
Das wird gelobt
- Starke mathematische Fundierung mit Bezug zu aktuellen KI-Methoden
- Forschungsnahe Ausbildung an einer etablierten Universität
- Zulassungsfreier Zugang erleichtert den Einstieg in ein anspruchsvolles Programm
Worauf du achten solltest
Wer eine rein anwendungsorientierte, tool-fokussierte Ausbildung sucht, sollte bedenken, dass der hohe Anteil an abstrakter Mathematik – etwa zu Lie-Algebren und Mannigfaltigkeiten – ein solides Fundament in formaler Mathematik voraussetzt und nicht jedem liegt.
Passt Data Science zu dir?
Das solltest du mitbringen
- Du hast Freude an abstrakter Mathematik und willst diese mit Data Science verbinden.
- Du bringst ein mathematisch-technisches Erststudium mit, etwa aus Mathematik, Physik oder Informatik.
- Du interessierst dich für geometrische und algebraische Grundlagen moderner KI-Methoden.
- Du strebst eine Laufbahn in forschungsnahen oder hochspezialisierten Data-Science-Rollen an.
Weitere & ähnliche Studiengänge
Ähnliche Studiengänge an der FAU
Advanced Health Care
Studiengang ansehen
Advanced Healthcare – Interprofessionelle Gesundheitsversorgung
Studiengang ansehen
Advanced Materials and Processes
Studiengang ansehen
Advanced Optical Technologies
Studiengang ansehen
Antike Sprachen und Kulturen
Studiengang ansehen
Applied Sustainable Engineering
Studiengang ansehen
Data Science an anderen Hochschulen
Häufige Fragen
Ist der Master Data Science an der FAU Erlangen-Nürnberg zulassungsbeschränkt?
Nein, der Studiengang ist laut den vorliegenden Angaben zulassungsfrei, was jedoch nichts über den fachlichen Anspruch des Programms aussagt.
Wie mathematisch ist der Studiengang wirklich?
Sehr mathematisch: Module wie Geometrie von Mannigfaltigkeiten, Lie-Algebren und Lie-Gruppen zeigen, dass ein tiefes Verständnis abstrakter mathematischer Strukturen erwartet wird, über klassische Data-Science-Inhalte hinaus.
Welche beruflichen Perspektiven ergeben sich nach dem Abschluss?
Absolventinnen und Absolventen orientieren sich häufig in Richtung Berufe in der Informatik, etwa als Data Scientist oder in forschungsnahen Positionen mit Fokus auf mathematische Modellierung.
Für wen eignet sich der Standort Erlangen besonders?
Erlangen eignet sich besonders für Studierende, die Wert auf eine enge Anbindung an mathematisch-naturwissenschaftliche Forschung an einer großen Universität legen und ein Vollzeitstudium anstreben.
Kostenlos & unverbindlich
Infomaterial zu Data Science bekommen
Studienführer, Termine, Zulassung & Finanzierung – kostenlos direkt in dein Postfach.
StudyKit · kostenlos
Noch unsicher bei der Studienwahl?
Mit StudyKit gehst du Studienwahl, Bewerbung und Finanzierung an einem Ort an, begleitet von einem persönlichen KI-Assistenten. Finde heraus, was wirklich zu dir passt, und starte deine Bewerbung Schritt für Schritt.
Karriere-QuizBewerbungs-WalkthroughGehalts- & CV-Check