MAS Data Science

Università di scienze applicate Svizzera a distanza

Daten sind der Rohstoff des 21. Jahrhunderts. In diesem MAS lernen Sie Daten statistisch auszuwerten und zu analysieren, um daraus für Ihr Unternehmen die richtigen Schlüsse zu ziehen. Dank zahlreichen Wahlmodulen setzen Sie Ihre persönlichen Schwerpunkte, etwa in Open Data, Deep Learning oder Bild- und Sprachverarbeitung.

Immer mehr Unternehmen erkennen den immensen Wert ihrer Daten und suchen entsprechend nach Spezialisten mit interdisziplinären Skills aus Informatik (Programmierung, Algorithmen, Datenbanken) und Mathematik (insbesondere Statistik und lineare Algebra). Dieser Master legt eine breite Wissensbasis für die Herausforderungen des Berufsfeldes Data Scientist. Sie haben im Studium die Möglichkeit, Ihren eigenen beruflichen Kontext in Praxisprojekten zu bearbeiten.

Der MAS Data Science vermittelt Ihnen die notwendigen statistischen Methoden, um empirische Daten auszuwerten und ökonomische Fragestellungen zu modellieren. Sie lernen die relevanten Techniken zur Datenvisualisierung kennen und bauen sich praxisbezogenes Wissen auf in Machine Learning und Big Data.

Unsere Auswahl an Wahlmodulen erlaubt es Ihnen, sich einzelne Fachgebiete der Data Science näher anzueignen oder sich branchenspezifischen Fragestellungen zu widmen. Für Quereinsteiger ohne Programmierkenntnisse bieten wir ein Einstiegssemester als Einführung an.

Akadem. Titel: Master of Advanced Studies in Data Science

Start: Februar und August

Dauer: 6 Semester

Studienorte: Bern, Zürich

Studienmodell: Blended Learning: 80% Online-Studium und 20% Präsenzunterricht

ECTS: 60

Anmeldeschluss: 30. November und 31. Mai (spätere Anmeldungen nach Verfügbarkeit)

Kosten: CHF 33'200.-

Der MAS Data Science ist ein modular aufgebautes Studium, das Sie je nach Vorwissen und Präferenzen zusammenstellen können, bis gesamthaft 60 ECTS-Kreditpunkte erreicht sind.

Einführung (empfohlen für Quereinsteiger ohne Programmierkenntnisse)

CAS Grundlagen Data Science (10 ECTS)

Grundstudium (DAS Data Science)

CAS Statistische Datenanalyse & Datenvisualisierung (10 ECTS)

CAS Machine Learning (10 ECTS)

CAS Big Data (10 ECTS)

(HS: Herbstsemester; FS: Frühlingssemester)

Masterthesis (10 ECTS)

*Modulpläne und Lehrmittel können sich aufgrund von Modulüberarbeitungen ändern. Die aktuelle Literaturliste wird vor Semesterbeginn auf dem Studierendenportal publiziert.

Wahlmodule

Big Data Streaming
Streaming Technologien werden im Big Data Bereich immer wichtiger, insbesondere, wenn Daten (near) realtime verarbeitet werden müssen. In diesem Modul werden Streaming Konzepte und Architekturen behandelt. Nebst dem Spark-Ökosystem werden weitere Plattformen wie Apache Kafka, Apache Flink, Apache Beam thematisiert.

Deep Learning
In vielen Bereichen wie Bildverarbeitung, Spracherkennung, Textanalyse etc. gelangen mit Deep Learning Technologien entscheidende Durchbrüche. Das Modul zeigt die Einsatzmöglichkeiten von Deep Learning auf und vermittelt die Kompetenz, mit tiefen neuronalen Netzwerken umzugehen und eigene neuronale Netzwerke zu erstellen und zu trainieren.

Reinforcement Learning
Neben den überwachten und unüberwachten Lerntypen ist das Reinforcement-Lernen die dritte wichtige Lernmethode im Machine Learning. Es geht darum, dass ein Agent ein Verhalten erlernt auf Grund von Feedback, das er auf durchgeführten Aktionen erhält. Wichtige Anwendungen sind z.B. Strategien für Spiele (Deep Mind für Schach oder Go), Robotics oder die Steuerung autonomer Fahrzeuge. Es werden verschieden Modelle von Reinforcement-Learning aufgezeigt, die teilweise auf Deep Learning beruhen.

Information Retrieval & Natural Language Processing
Information Retrieval findet klassischerweise Anwendung in Suchmaschinen und wird heute ergänzt durch Natural Language Processing (NLP). Es werden Big Data Methoden mit Machine Learning Ansätzen kombiniert und aufgeschriebene und gesprochene Texte angewandt. Das erlaubt insbesondere, nicht strukturierte Informationen zu verarbeiten.

Geoinformationssysteme
Das Modul führt zuerst in die Geoinformationssysteme ein. Als Beispiel einer Open Source GIS-Software wird QGIS vorgestellt. Das Modul zeigt auf, wie Big Data und Machine Learning Technologien im GIS Bereich angewendet werden.

Netzwerkanalyse
Netzwerke treten in verschiedenster Form auf: Soziale Netzwerke, WWW, Computer-Netzwerke, Versorgungsnetzwerke etc. Mit Methoden der Graphentheorie können Netzwerke analysiert werden, um damit z.B. Aussagen über die Stabilität von Versorgungsnetzwerken zu machen oder Verkehrsnetzwerke zu optimieren. Ein weiteres Thema ist die Visualisierung von Netzwerken.

Advanced Business Analytics and Process Automation
Das Modul thematisiert, wie für Industrial Analytics die Technologien der Data Science eingesetzt werden können. Es wird gezeigt, welche Perspektiven Data Analytics zur Erzielung von Marktvorteilen bietet.

Wissensrepräsentation und Semantische Netze
Im Mittelpunkt steht die Repräsentation von Wissen in Form von Wissensgraphen. Neben den technologischen Grundlagen liegen Schwerpunkte bei den Modellierungstechniken, den Abfragesprachen und dem automatischen Ableiten von Schlussfolgerungen aus den repräsentierten Informationen.

Als einzige Fachhochschule der Schweiz bietet die FFHS alle Studiengänge im Blended Learning-Modell an. Diese innovative Ausbildungsform kombiniert die Vorteile des E-Learning mit jenen des traditionellen Unterrichts - für grösste zeitliche Flexibilität.

Das Studium an der FFHS besteht aus:

Dr. André Kurt Bodmer

Dozent

Ursula Deriu

Dozentin

Markus Geuss

Dozent

Dr. Urs-Martin Künzi

Dozent

Reto Schneider

Dozent

Prof. Dr. Joachim Steinwendner

Dozent

Peter Tellenbach

Dozent

Sabine Vargas

Dozentin

Stefan Eggel

Dozent

Dr. Ilir Fetai

Dozent

Marc Garbely

Dozent

Hannah Instenberg

Dozentin

Dr. Ivan Moser

Dozent

Dr. Jasmina Smokvina

Dozentin

Anmeldeschluss: Ende Mai (mit Studienplatzgarantie im Herbstsemester) bzw. Mitte Dezember (mit Studienplatzgarantie im Frühlingssemester). Spätere Anmeldungen je nach verfügbaren Studienplätzen möglich.

Präsenzen: durchschnittlich 1 Samstag im Monat (abhängig von Modulbelegung) im FFHS-Campus in Zürich oder Bern. Für detaillierte Daten wenden Sie sich bitte an die Studiengangsleitung.

Gesamter MAS in Data Science (60 ECTS-Credits): CHF 33’000.- inklusive Online-Betreuung, Lernplattform, Zugang zur digitalen Bibliothek, ordentliche Prüfungsgebühren und Master-Thesis inkl. Kolloquium.

Hinzu kommt eine Einschreibegebühr von CHF 200.-

«Sur dossier» können auch Absolventen einer Höheren Fachschule sowie Inhaber eines eidgenössischen Diploms einer höheren Fachprüfung zugelassen werden.

Maggiori informazioni