Der Studiengang Applied Data Science & Business Analytics an der Universität Regensburg richtet sich an alle, die datengetriebene Entscheidungsfindung nicht nur technisch, sondern auch aus betriebswirtschaftlicher Sicht verstehen möchten. Statt reiner Informatik-Ausbildung steht hier die Anwendung von Machine-Learning-Verfahren auf unternehmerische Fragestellungen im Zentrum.
Als zulassungsbeschränkter Bachelor of Science in Vollzeit setzt das Programm auf eine enge Verzahnung von Methodenkompetenz und fachlicher Breite. Die Universität Regensburg als forschungsstarke Volluniversität bietet dafür ein Umfeld, das quantitative Fächer mit wirtschaftlichem Denken zusammenbringt.
Wer sich für Datenanalyse, Statistik und deren geschäftliche Anwendung interessiert, findet hier ein Studium, das über klassische BWL- oder Informatik-Studiengänge hinausgeht und beide Welten bewusst zusammenführt.
43 Module · 120 ECTS gesamt – der vollständige Studienverlauf. Durchsuche alle Module oder filtere nach Semester.
Vertiefung moderner Methoden des Maschinellen Lernens mit Fokus auf Deep Learning und Reinforcement Learning, einschließlich theoretischer Grundlagen, neuronaler Netze, generativer Modellierung und praktischer Implementierung mit Softwarebibliotheken.
Modul zur freien Wahl von Lehrveranstaltungen aus dem Bereich der Data Science und Informatik, das es Studierenden ermöglicht, ihr wissenschaftliches Profil nach eigenen Präferenzen zu erweitern oder zu vertiefen.
Modul zur Erweiterung des wissenschaftlichen Profils durch interdisziplinäres Lehrangebot oder fachliche Vertiefung im Bereich der Data Science und Informatik nach eigener Präferenz.
Modul zu statistischen Methoden des Machine Learning mit Fokus auf theoretische Grundlagen und praktische Anwendungen statistischer Lernverfahren.
Vertiefung in fortgeschrittene statistische Methoden und deren Anwendung in der Datenanalyse und im Machine Learning.
Fortsetzung fortgeschrittener statistischer Methoden mit weiteren Themen aus der angewandten Statistik und Inferenz.
Variable Vorlesungsmodule in Mathematik mit 3-18 ECTS zur Vertiefung mathematischer Grundlagen für Data Science.
Modul zur fortgeschrittenen Erklärbarkeit von KI-Systemen, das Methoden und Techniken für die Interpretierbarkeit von Machine-Learning-Modellen behandelt.
Vertiefung in fortgeschrittene Techniken und Praktiken der Datenverarbeitung und -verwaltung in großen Datenbeständen.
Anwendungsorientierte Einführung in neuronale Netze mit Fokus auf praktische Implementierung und Anwendungen.
Variable Vorlesungsmodule zu fortgeschrittenen Themen im Machine Learning und der Statistik mit 3-12 ECTS.
Einführung in biologische Grundlagen für Informatiker und Data Scientists mit Fokus auf relevante biologische Konzepte.
Anwendung statistischer Methoden in der Bioinformatik zur Analyse biologischer Daten.
Behandlung algorithmischer Methoden in der Bioinformatik zur Lösung biologischer Fragestellungen mit Computertechniken.
Modul zu statistischen und informatischen Methoden für die Analyse hochdimensionaler Datensätze.
Vertiefung in Optimierungsverfahren mit Anwendungen in der Bioinformatik und Data Science.
Modul zu ethischen Fragen und Herausforderungen im Bereich Künstliche Intelligenz und Data Science.
Vertiefung in fortgeschrittene Konzepte des Informationsverhaltens von Menschen in Interaktion mit Systemen.
Anwendung von Deep Reinforcement Learning zur Modellierung und Analyse menschlicher Entscheidungsstrategien.
Einführung in Technologien für Mensch-Computer-Interaktion mit Fokus auf deren Design und Anwendung.
Vertiefung in fortgeschrittene Interaktionstechnologien und deren praktische Implementierung.
Modul zur Erklärbarkeit von KI-Systemen speziell im Kontext der Mensch-Computer-Interaktion.
Anwendung generativer KI-Modelle für die Verbesserung der Mensch-Computer-Interaktion.
Empirische Methoden zur Evaluierung von Human-Centred-AI-Systemen und deren Auswirkungen auf Benutzer.
Rechnerische und algorithmische Ansätze zur Entwicklung von Human-Centred-AI-Systemen.
Analyse von sozialen Netzwerken mit computergestützten Methoden und statistischen Verfahren.
Modul zu digitalen Plattformen und deren ökonomischen Aspekten im Zeitalter der Künstlichen Intelligenz.
Sicherheitsaspekte mobiler Systeme mit Fokus auf Schutz vor Angriffen und Vulnerabilities.
Studium von anonymen Kommunikationssystemen und deren Sicherheitseigenschaften in multilateralen Kontexten.
Praktische Anwendung von IT-Sicherheitskonzepten und Techniken zur Absicherung von Informationssystemen.
Anwendung von Engineering-Methoden auf Geschäftsprozesse und Geschäftsmodelle in Organisationen.
Techniken zur Analyse und Optimierung von Geschäftsprozessen durch Datenanalyse und Prozessmodellierung.
Seminar zu aktuellen Themen in der Data Science, das Studierenden Einblicke in gegenwärtige Forschungsthemen und Entwicklungen des Feldes vermittelt.
Modul zur digitalen Bildverarbeitung mit KI-basierten Ansätzen, einschließlich Deep-Learning-Methoden für Bildanalyse und Computer Vision.
Seminar zu aktuellen Themen in der Bioinformatik mit Fokus auf neue Forschungsentwicklungen.
Gruppenprojekt zur Entwicklung von Human-Centred-AI-Systemen mit praktischer Implementierung.
Forschungsprojekt im Bereich Human-Centred AI, in dem Studierende ein eigenständiges Forschungsthema bearbeiten.
Entwicklung intelligenter Agenten mit Reinforcement-Learning-Methoden für autonome Entscheidungsfindung.
Forschungsprojekt im Bereich Machine Learning und Statistik, in dem Studierende eigenständig ein wissenschaftliches Projekt durchführen.
Forschungsprojekt in der Bioinformatik, in dem Studierende ein biologisches oder bioinformatisches Forschungsthema eigenständig bearbeiten.
Fortgeschrittenes Seminar zu aktuellen Themen in den Informationssystemen mit tiefgehender wissenschaftlicher Analyse.
Sicherheitsaspekte und Schutzmaßnahmen für datenintensive Anwendungen und Big-Data-Systeme.
Abschlussarbeit des Masterstudiums, in der Studierende ein Forschungsthema aus dem Bereich Data Science selbstständig bearbeiten.
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.
Applied Data Science & Business Analytics an der Universität Regensburg positioniert sich als Schnittstellenstudiengang zwischen Informatik, Statistik und Betriebswirtschaft. Die Universität nutzt dabei ihre Struktur als Volluniversität, um Studierenden Zugang zu unterschiedlichen Fachperspektiven zu ermöglichen.
Der zulassungsbeschränkte Charakter des Studiengangs signalisiert eine hohe Nachfrage und ein entsprechend anspruchsvolles fachliches Niveau von Beginn an.
Zentral ist das Modul Modern Machine Learning, in dem aktuelle Verfahren des maschinellen Lernens sowohl mathematisch fundiert als auch praxisnah vermittelt werden. Ergänzt wird dies um wirtschaftswissenschaftliche Inhalte, die den Transfer von Datenmodellen in unternehmerische Entscheidungen ermöglichen.
Durch Free Elective und Studium Universale erhalten Studierende zudem die Möglichkeit, individuelle Schwerpunkte zu setzen und über den Tellerrand der eigenen Fachrichtung zu blicken – etwa in Richtung Ethik, Recht oder weiterer quantitativer Disziplinen.
Geeignet ist der Studiengang für Personen mit Interesse an Mathematik und Statistik, die zugleich verstehen möchten, wie Daten in wirtschaftlichen Kontexten Wert schaffen. Rein programmierbegeisterte Informatik-Fans finden hier eine stärkere Business-Ausrichtung als in klassischen Informatik-Studiengängen.
Wer lieber ausschließlich gestalterisch oder geisteswissenschaftlich arbeiten möchte, dürfte mit dem quantitativen Schwerpunkt weniger glücklich werden.
Absolventinnen und Absolventen bewegen sich beruflich häufig im Umfeld von Berufen in der Informatik, insbesondere dort, wo Datenanalyse auf unternehmerische Entscheidungsprozesse trifft.
Die Kombination aus Methodenwissen und wirtschaftlichem Verständnis öffnet Türen in Branchen, die zunehmend datenbasiert arbeiten – von der Industrie bis zu Dienstleistungsunternehmen.
Die Universität Regensburg bietet als Standort Regensburg ein Umfeld, das Forschungsnähe mit einer überschaubaren, lebendigen Universitätsstadt verbindet. Das Vollzeitformat erlaubt eine intensive fachliche Auseinandersetzung ohne parallele Berufstätigkeit in größerem Umfang.
Die enge fachliche Betreuung und die interdisziplinäre Ausrichtung sind typische Merkmale des Studienangebots am Standort.
Ehrliche Einordnung auf Basis der gebundenen Daten, plus dein persönlicher Match.
Die Studienplätze sind begrenzt und die NC-Grenze schwankt je Semester. Prüfe mit deinem Schnitt, wie deine Chancen aktuell stehen.
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.
Wenn du deinen Studiengang über StudySmarter und das StudyKit findest und dich darüber einschreibst, ist die Jobgarantie automatisch dabei.
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.Es gelten die Teilnahmebedingungen. Details und Bedingungen erhältst du mit dem Infomaterial.
Der Studiengang öffnet Wege in datengetriebene Berufsfelder, die zunehmend an der Schnittstelle von Technik und Wirtschaft angesiedelt sind.
Branchenweite Marktorientierung für Berufe in der Informatik (o.S.) (brutto pro Jahr), kein hochschulspezifischer Wert. Tatsächliche Gehälter hängen von Branche, Region und Erfahrung ab.
Wie sich der Beruf durch KI verändert, hängt stark davon ab, welche Aufgaben automatisierbar sind und welche menschliches Urteilsvermögen erfordern.
In datengetriebenen Berufen übernehmen KI-Systeme bereits heute viele repetitive Aufgaben, während strategische und kommunikative Fähigkeiten wichtiger werden.
Die im Studium vermittelte Methodenkompetenz aus Modern Machine Learning bildet die fachliche Grundlage für viele dieser Aufgaben, während Studium Universale zusätzliche Reflexionsfähigkeit fördert.
Sammle schon im Studium Praxis und verdiene dazu – Werkstudentenjobs und Praktika in Regensburg, ideal neben dem Präsenzstudium am Campus.
Stellen live aus der StudySmarter Jobbörse · laufend aktualisiert.
Kostenlose StudySmarter-Tools für Finanzierung, Karriere und Bewerbung – direkt einsatzbereit.
Kurzprofil der Universität Regensburg – Trägerschaft, Format und, wo verfügbar, unsere Einschätzung aus Studierendenbewertungen.
Für diese Hochschule liegen noch keine aggregierten Studierendenbewertungen vor.
Wer sich vor mathematisch-statistischen Inhalten scheut, sollte bedenken, dass der Studiengang trotz Business-Bezug ein solides quantitatives Fundament voraussetzt und die Zulassungsbeschränkung auf ein anspruchsvolles Auswahlverfahren hindeutet.
Ja, der Studiengang unterliegt einer Zulassungsbeschränkung, was auf eine hohe Nachfrage und ein anspruchsvolles Auswahlverfahren hindeutet.
Machine Learning ist über das Modul Modern Machine Learning fest im Curriculum verankert und bildet gemeinsam mit wirtschaftswissenschaftlichen Inhalten den fachlichen Kern des Studiengangs.
Ja, durch Module wie Free Elective und Studium Universale besteht die Möglichkeit, individuelle fachliche oder überfachliche Schwerpunkte zu wählen.
Absolventinnen und Absolventen finden häufig Einstiegsmöglichkeiten in Berufen in der Informatik mit Schwerpunkt auf Datenanalyse und Business Analytics, wobei die genaue Ausrichtung je nach individueller Spezialisierung variiert.
Studienführer, Termine, Zulassung & Finanzierung – kostenlos direkt in dein Postfach.
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.
Studienführer, Termine, Zulassung & Finanzierung – direkt in dein Postfach.