Computer Science - Dual Master of Science an der Hochschule Kaiserslautern (University of Applied Sciences)

Data Mining 2

Fortgeschrittene Methoden des Data Mining einschließlich Bagging und Boosting, Random Forests, Kernel Methoden, Support Vector Machines, Ensemble Methoden, Mischungsmodelle und Hidden Markov Models.

Computerintensive Methoden (Computational Statistics)

Vermittlung von Simulationsmethoden, Resampling-Verfahren, Beurteilung der Modellgüte, nichtparametrischer Dichteschätzung und Komprimierung hochdimensionaler Daten.

Nichtlineare und nichtparametrische Modelle

Behandlung von nichtlinearer Regression, Modellselektion, Regularisierung, Splines, lokaler Regression, GAMs und MARS als wichtige Werkzeuge des Machine Learning.

Explorative Datenanalyse und Visualisierung

Gemischt-ganzzahlige Optimierung

Maß- und Integrationstheorie

OR: Nichtlineare und stochastische Methoden

Zeitreihenanalyse

Fortgeschrittene Methoden der Personenversicherung

Schadenversicherungsmathematik

Stochastische Prozesse

Derivate I

Risk Management

Spezielle Verfahren und Methoden des Qualitätsmanagements

Partielle Differentialgleichungen

Ausgewählte Kapitel der Funktionalanalysis

Funktionentheorie

Interne Rechnungslegung und unternehmenseigene Rechnungsgrundlagen in der Lebensversicherung

Solvabilität und internationale Rechnungslegung für Versicherungsunternehmen

Stochastische Modelle in der Schadenversicherung

Advanced Topics in Financial Mathematics

Mathematik-Synchronisationsmodul

Modul für Studierende ohne mathematischen Abschluss zur Vermittlung grundlegender Kenntnisse der deskriptiven Statistik, Wahrscheinlichkeitsrechnung und schließenden Statistik als Voraussetzung für den Masterstudiengang Data Science.

Informatik-Synchronisationsmodul

Modul für Studierende ohne Informatik-Studienabschluss zur Vermittlung von Grundlagen in objektorientierter Programmierung, Datenbanken, Betriebssystemen, Computernetzwerken und IT-Security.

Datenschutz und ethische Aspekte von Big Data

Vermittlung von Grundlagen zu Datenschutz, ethischen Implikationen der Datenverwendung, Rechtsgrundlagen der Datenverarbeitung sowie Grundrechten wie informationelle Selbstbestimmung.

Multivariate Statistik

Vermittlung wichtiger klassischer Verfahren der multivariaten Statistik wie multiple lineare Regression, ANOVA, Hauptkomponentenanalyse, Faktorenanalyse, Diskriminanzanalyse und Clusteranalyse, die das Fundament des Machine Learning bilden.

Data Mining 1

Einführung in die Philosophie und praktische Umsetzung von Data Mining mit Schwerpunkt auf statistische Methoden wie multiple lineare Regression, logistische Regression, Entscheidungsbäume, neuronale Netze und neuere Methoden wie MARS und Random Forests.

Projekt

Bearbeitung aktueller praxis- und forschungsrelevanter Fragestellungen aus dem Gebiet Data Science in Projektteams mit praktischer Umsetzung und Qualitätskontrolle durch Hochschuldozenten.

Projektmanagement und Kommunikation

Vermittlung von Wissen über Projektorganisation, Projektmanagement, Multiprojektmanagement, Änderungsmanagement und Kommunikation in Data Science-Projekten mit heterogenen Teamstrukturen.

Hauptseminar

Seminar zur Vertiefung spezieller fachlicher Kompetenzen in einem Teilgebiet des Data Science durch Literaturrecherche, wissenschaftliche Ausarbeitung und Präsentation mit aktiver Diskussion.

Mastermodul

Selbstständige Bearbeitung einer wissenschaftlichen Masterarbeit zu einem anwendungsbezogenen Thema aus dem Bereich Data Science mit abschließendem Kolloquium.