Interdisziplinär und anwendungsorientiert – so vermittelt unser Vollzeit-Masterstudiengang Data Science & Intelligent Analytics Ihnen das nötige Know-how, um Datenströme effektiv zu nutzen. Werden Sie zum:r Expert:in für datengesteuerte Entscheidungen!
Data Science & Intelligent Analytics
Masterstudiengang
Überblick
-
Niveau der Qualifikation:
Stufe 2, Master -
Kosten:
Euro 363,36* (zzgl. ÖH-Beitrag) pro Semester -
Akademischer Grad:
Master of Science in Engineering (MSc) -
Organisationsform:
Vollzeit -
Unterrichtssprache:
100% Englisch -
Berufsfreundlich:
E-Learning min. 30 % online -
Auslandssemester:
Betreute Studienreise im 2. Semester** -
Zugangsvoraussetzungen:
Allgemeine Zugangsvoraussetzungen
Profil des Studiengangs
Tauchen Sie ein in die Welt von Data Science & Intelligent Analytics! Lernen Sie komplexe Datensätze zu analysieren und wertvolle Erkenntnisse für Ihr Unternehmen zu gewinnen. Gestalten Sie die Zukunft der Datennutzung in Unternehmen!
Unser Master Data Science & Intelligent Analytics verbindet Informatik, Statistik, Mathematik und verwandte Anwendungsdisziplinen. Die Absolvent:innen erlangen anwendungsbereite Kompetenzen in Datenanalyse, Technologie, Unternehmensanwendungen und der Entwicklung innovativer Lösungen. Durch praxisorientierte Data Science Labs und projektbasiertes Lernen gewährleisten wir ein hohes Maß an Komplexität. Unser Programm adressiert die gesamte Wertschöpfungskette von Rohdaten über Querschnittsfunktionen bis hin zum wirtschaftlichen Erfolg.
Studienschwerpunkte
-
30 %
Datenanalyse und Machine Learning
-
30 %
Softwareentwicklung mit Python
-
20 %
Datenspeicherung, -integration, -nutzung
-
10 %
Innovation und Management von Daten
-
10 %
Business Ethik, Compliance und Recht
Was Sie lernen werden
-
Softwareentwicklung in Python
-
Machine Learning in Scikit-Learn, Tensorflow, PyTorch u.a.
-
Data Engineering mit MySQL, MongoDB, Cassandra, Neo4J u.a.
-
Management von Machine Learning Projekten
-
Transfer von Lernergebnissen in die Anwendungspraxis
Gefragte Berufsfelder
- Big Data Application Developer
- Data Engineer
- Big Data & BI Consultant
- Data Scientist
- Manager für Data Science Teams
- Analyst:in für Big Data
- Spezialist:in für Business Intelligence & Analytics
Karriere
-
430+ offene Jobs
in IT und Datenanalyse in Tirol
-
EURO 50.200,- Durchschnittsgehalt
für Beschäftigte im IT-/Datenanlyse-Bereich in Österreich in 2022 (laut WeAreDevelopers)
-
EUR 30,8 Milliarden Budget
für Investitionen in IT und Datenverarbeitung in Österreich (laut Statista) im Jahr 2021; weiterhin wachsend
-
+ 27,48 % Steigerung
des Umsatzes im österreichischen IT-Markt bis 2028 (laut Statista).
-
+3,7 % Wachstum
im europäischen IT-Sektor (laut: Gartner)
Der Weg zum Master-Abschluss
Das Studium erstreckt sich über 4 Semester. Die ersten beiden legen Grundlagen in der Softwareentwicklung, in Machine Learning und Data Engineering. Im 3. Semester werden diese erweitert und praxisorientiert vertieft. Im 4. Semester verfassen die Studierenden ihre Masterarbeit und schließen das Studium ab.
Besonderheiten:
-
Praxisorientierte Wissensvermittlung vom ersten Tag an
-
Studienreise im zweiten Semester
-
Praxisprojekt mit einer anwendungsnahen Aufgabenstellung
Anerkennung von Vorkenntnissen
Studierende haben die Möglichkeit, sich vor dem jeweiligen Semesterstart Lehrveranstaltungen durch bereits vorab erworbene Kompetenzen anrechnen zu lassen.
Die Anrechnung erfolgt über einen Antrag direkt bei der Studiengangsleitung.
Studiengangsleitung
Prof. (FH) Lukas Demetz, PhD
Leiter IT Services & Softwareentwicklung, Interimistischer Studiengangsleiter für Bachelor Coding & Digital Design / Web Business & Technology, Master Data Science & Intelligent Analytics, Master Web Communication & Information Systems / Web Engineering & IT Solutions
Curriculum
Data Science Anwendung
Machine Learning & Deep Learning
- Semester 2
- 10 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - Klassische neuronale Netze als Ergänzung zu klassischen Algorithmen der Data Science (z.B. Random Forests, SCM, usw.) - Gefaltete, künstliche neuronale Netze (CNN) - Rekursive, künstliche neuronale Netze (RNN, LSTM) - Weiterführende, künstliche neuronale Netze (GAN, FARM, BERT, CGAN usw.) Die besprochenen Netztypen unterliegen einem ständigen Wandel. Darum werden hier nur einige Netztypen exemplarisch genannt. In der LV werden insbesondere aber auch aktuelle Netztypen besprochen und angewendet.
DetailsArtificial Intelligence
- Semester 3
- 4 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - Reasoning-Ansätze (Roal trees, Regelbasierte Expertensysteme) - Such-Ansätze (depth-first, hill climbing, beam, optimal, branch and bound, A*, games, minimax, and alpha-beta) - Constraint-Ansätze (Search, domain reduction, visual object recognition) - Lern-Ansätze (neural nets, back propagation, genetic algorithms, sparse spaces, phonology, near misses, felicity conditions, support vector machines, boosting) - Repräsentation-Ansätze (classes, trajectories, transitions) - Einsatzmöglichkeiten von künstlicher Intelligenz in unterschiedlichen Kontexten - Schwache versus starke, künstlicher Intelligenz Diese Lehrveranstaltung wird zusammen mit dem Master Web Communication & Information Systems als Wahlveranstaltung angeboten.
DetailsData Science for Engineering & Natural Sciences
- Semester 3
- 4 ECTS
Folgende exemplarische Inhalte werden in der Lehrveranstaltung besprochen: - Biologie (z.B. Genome Forschung, Medizinische Diagnoseverfahren usw.) - Physik (z.B. Objekterkennung durch Bilddatenverarbeitung usw.) - Chemie (z.B. Verarbeitung datenintensiver Experimente usw.) Chemie (z.B. Verarbeitung datenintensiver Experimente usw.) - Datengetriebene Wartung (z.B. Prediktive Maintenance, Digital Twin) - Datenoptimiertes Produktdesign (z.B. Design von Produkteigenschaften durch KNN) - Auswertung von Sensordaten (z.B. Obstacle Detection, Obstacle Avoidance, Vorhersage usw.) - Cloudbasierte IoT Systeme (Datenspeicherung und Sammlung) - Sensorauswertung über Raspberry Pi, Arduino, Funksysteme
DetailsData Visualization & Visual Analytics
- Semester 3
- 4 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - Auswertungswerkzeuge mit visueller Ausrichtung, z.B. Bl-Tools wie MS PowerBl, Tableau, QlikView - Darstellungsbibliotheken, z.B. matplotlib.pyplot, gglot2 - Regeln der visuellen Communication, z.B. Hichert SUCCESSS
DetailsBig Data Processing
- Semester 3
- 4 ECTS
Den Studierenden werden in die grundlegenden Eigenschaften von Big Data eingeführt. Dabei wird besonderes Augenmerk auf den Umgang mit diesen Daten gelegt und das erworbene Wissen mit Beispielen gefestigt. Für die Lösung von Big Data Problemen, werden geeignete Frameworks vorgestellt und im Rahmen von interaktiven Workshops mit Fallstudien bearbeitet. Als Beispiele hierfür sind zu nennen: - Apache Hadoop - Apache Spark - Apache Flink - Apache Storm - Apache Samza - Apache Kafka Diese Frameworks sollen anhand von Fallbeispielen erklärt und eingesetzt werden. Dafür kann auf die zentral bereitgestellten Data Labs zugegriffen werden.
DetailsData Science for Business & Commerce
- Semester 3
- 4 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - CRM auf der strategischen Ebene - CRM im Prozessmanagement - CRM auf der operativen Ebene (CRM Softwaresysteme) - Operatives CRM - Analytisches CRM - Kommunikatives CRM Diese Lehrveranstaltung wird zusammen mit dem Master Web Communication & Information Systems als Wahlveranstaltung angeboten.
DetailsNo-Code & Low-Code Analysis Platforms
- Semester 3
- 4 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - Vorstellung unterschiedlicher anwendungsorientierter Analyseplattformen (z.B KNIME, RapidMiner, Grafana) - Vorstellung unterschiedlicher Cloudlösungen für die Datenanalyse (z.B. Google Cloud, AWS, Azure) - Anwenden der vorgestellten Plattformen am Beispiel von Analysedatensätzen - Diskussion der unterschiedlichen Ansätze
DetailsData Science Grundlagen
Data Engineering Lab
- Semester 1
- 5 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - Konzeption und Implementierung von problemzentrierten NoSQL Datenbanken (z.B. Key-Value-Stores, Document Stores, Column-Oriented Data Stores, usw.) - Konzeption und Implementierung von Speicherlösungen für große Datenmengen (Big Data)
DetailsSoftware Development Lab 1
- Semester 1
- 2.5 ECTS
Im Lab werden die Inhalte der ILV "Softwareentwicklung 1" mit Hilfe von praktische Übungen vertieft. Die dabei gewonnenen Erkenntnisse werden in der Gruppe diskutiert und erlauben so einen tiefen Einblick in die Materie und eine Festigung des Wissens, das in der ILV theoretisch vermittelt wurde.
DetailsData Engineering
- Semester 1
- 4 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - Eigenschaften von performanten Datensystemen (Skalierbarkeit, Wartbarkeit, Reliabilität) - Etablierte Konzepte der Datenspeicherung (Relationales Modell) - Historische Konzepte der Datenspeicherung (Hierarchisches Modell, Netzwerkmodell) - Moderne Konzepte der Datenspeicherung (Wide-column Modell, Graphen Modell, Key-Value Modell, Document Modell, Column-oriented Modell) - Datenbanksysteme, passend zu den behandelten Modellen - Skalierung von Datensystemen (Replication und Partitionierung) - Schreiben und Lesen in Datensystemen (Indexstrukturen, Schreibstrategien)
DetailsStatistical Learning Lab 1
- Semester 1
- 2.5 ECTS
Im Lab werden die Inhalte der ILV "Statistisches Lernen 1" mit Hilfe von praktische Übungen vertieft. Die dabei gewonnenen Erkenntnisse werden in der Gruppe diskutiert und erlauben so einen tiefen Einblick in die Materie und eine Festigung des Wissens, das in der ILV theoretisch vermittelt wurde.
DetailsStatistical Learning 1
- Semester 1
- 6 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - Statistische Maßzahlen (Punkt- und Intervallschätzer) - Statistische Testverfahren - Gruppierungsalgorithmen (Classification Trees, Agglomerativ Hierarchisches Clustering usw.) - Regressionsalgorithmen (Regression Trees, Random Forests, usw.) - Assoziative Algorithmen - Verfahren zur Vorverarbeitung von Daten (z.B. Principal Component Analysis)
DetailsSoftware Development 1
- Semester 1
- 6 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - Der Prozess des Software-Engineerings und des Projektmanagements für datenintensive Anwendungen - Programmierparadigmen für den Einsatz im Bereich Data Science - Effektive und effiziente Datenstrukturen für datenintensive Anwendungen - Werkzeuge und Softwareökosysteme für die Entwicklung und den Test datenintensiver Softwaresysteme
DetailsSoftware Development Lab 2
- Semester 2
- 2.5 ECTS
Im Lab werden die Inhalte der ILV "Softwareentwicklung 2" mit Hilfe von praktische Übungen vertieft. Die dabei gewonnenen Erkenntnisse werden in der Gruppe diskutiert und erlauben so einen tiefen Einblick in die Materie und eine Festigung des Wissens, das in der ILV theoretisch vermittelt wurde.
DetailsStatistical Learning 2
- Semester 2
- 6 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - weiterführende Modellierungsverfahren - Ensemble Methoden - Optimierung von Modellen
DetailsSoftware Development 2
- Semester 2
- 6 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - Architekturmodelle für datengetriebene Softwareentwicklung und -systeme. - Integrationsmodelle und -paradigmen für die Umsetzung komplexer, prozessorientierter Softwareökosysteme für analytische und datengetriebene Systeme - Anwendung von bewährten Entwurfsmustern (Design Patterns) für datengetriebene Anwendungen - Konzeption und Umsetzung effizienter und skalierbarer Softwaresysteme für datengetriebene Anwendungen - Testen von Softwareapplikationen (z.B. Unit Tests, Integration Tests usw.)
DetailsStatistical Learning Lab 2
- Semester 2
- 2.5 ECTS
Im Lab werden die Inhalte der ILV "Statistisches Lernen 2" mit Hilfe von praktische Übungen vertieft. Die dabei gewonnenen Erkenntnisse werden in der Gruppe diskutiert und erlauben so einen tiefen Einblick in die Materie und eine Festigung des Wissens, das in der ILV theoretisch vermittelt wurde.
DetailsEngineering
Trends in Data Science
- Semester 4
- 3 ECTS
Die Inhalte dieser Lehrveranstaltung sind nicht stabil, sondern werden an die aktuell vorherrschenden Trends angepasst. Exemplarische Inhalte können sein: - Neue Technologien im Bereich Big Data Processing - Trends im Bereich der Programmiersprachen in der Datenanalyse - Neue Verarbeitungskonzepte von Daten (z.B. Data Lake) - Neue Fragestellungen im Bereich der Data Science Forschung - Neue Fragestellungen im Bereich der Data Science Praxis
DetailsInternationale Kompetenz
Study Trip
- Semester 2
- 3 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - Interkulturelle Kompetenz - Diskussion mit VertreterInnen aus der Praxis
DetailsManagement
Systemic Innovation
- Semester 1
- 2 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - Erarbeitung eines ganzheitlichen Verständnisses der Themenfelder (Systemisches Management) - Methoden zur Generierung innovativer Ideen (z. B. Systematic Inventive Thinking, Design Thinking) - Projektstrukturen und Managementmethoden zur praktischen Umsetzung von Innovationen (z. B. Change Management, Konfliktmanagement) - IT-gestützte Projektdokumentation
DetailsLeadership, Team & Project Management
- Semester 1
- 2 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - Projektmanagementtechniken (z.B. SCRUM) - Projektmanagementwerkzeuge im Bereich Data Science (z.B. GitLab) - Techniken zur Dokumentation von Anforderungen (z.B. Sophist)
DetailsEthics, Compliance & Legal Regulations
- Semester 4
- 3 ECTS
Folgende Inhalte werden in der Lehrveranstaltung besprochen: - Datenschutz (z.B. DSGVO) - Privacy (e-Privacy Verordnung) - Umgang mit Daten aus ethischer/moralischer Sicht - Compliance
DetailsPraxistransfer
Research Methods & Methodology
- Semester 3
- 2 ECTS
Die Studierenden werden an die Bereich Wissenschaftstheorie und wissenschaftliches Arbeiten herangeführt. Dabei werden die Ziele wissenschaftlichen Arbeitens besprochen und auf eigene Problemstellungen übertragen. Im Rahmen der Lehrveranstaltung erarbeiten die Studierenden so einen ersten Exposé-Entwurf für eine Masterarbeit.
DetailsIntegrated Application Project
- Semester 3
- 4 ECTS
Die Studierenden bearbeiten in dieser LV ein reales, datenzentriertes Projekt entlang der gesamten Datenwertschöpfungskette (von der Erhebung der Daten über deren Integration und Speicherung bis zur Analyse und Nutzbarmachung der Daten. Dadurch können sie die Fähigkeiten, die in den ersten beiden Semestern aufgebaut wurden in einem realen Setting ausprobieren und heute Erkenntnisse gewinnen.
DetailsMaster Thesis Colloquium
- Semester 4
- 2 ECTS
Die Lehrveranstaltung begleitet die Studierenden bei der Konzeption und Erstellung ihrer Masterarbeit. Im Kolloquium werden deshalb Fragestellung/Hypothese und Gliederung der Masterarbeit vorgestellt und diskutiert. Zudem wird die wissenschaftliche Methodik der Masterarbeit erörtert und hinterfragt sowie Hinweise zur formalen Gestaltung der Masterarbeit gegeben.
DetailsMaster Thesis
- Semester 4
- 22 ECTS
Die Studierenden entwerfen selbstständig eine Projektidee für die eigene Masterarbeit, beschreiben diese in Form eines Exposés und reichen dieses bei der Studiengangsleitung zur Genehmigung ein. Anschließend bearbeiten die Studierenden das Thema und verfassen eine Masterarbeit, die zur Begutachtung abgegeben wird.
DetailsStudienordnung Zum Download
-
Data Science & Intelligent Analytics
in Kraft seit 21.10.2024, Studienbeginn ab Studienjahr 2025/26
- Alle Studienordnungen
Häufig gestellte Fragen
Benötige ich Vorkenntnisse für den Einstieg ins Studium?
Ja, für die Aufnahme des Studiums werden Vorkenntnisse in Mathematik und Statistik (8 ECTS) sowie in Informatik (6 ECTS) vorausgesetzt. Bewerber:innen, denen diese Kenntnisse fehlen, können sie durch unseren kostenlosen videogestützten Vorbereitungskurs ausgleichen.
Wie hoch ist der Technikanteil im Studium?
Unser Ziel ist es, unseren Studierenden die Werkzeuge an die Hand zu geben, um selbst an Datenanalyseprojekten arbeiten zu können. Aus diesem Grund versuchen wir, einen hohen Anteil an Hands-On-Einheiten in unsere Lehrveranstaltungen zu integrieren. Der Technikanteil beträgt 50% und wird durch anwendungsorientierte Komplementärfächer (z.B. Systemische Innovation oder Business Ethics Compliance & Law) ergänzt.
Welche Zielgruppen spricht der Studiengang an?
Unsere Studierenden kommen aus den unterschiedlichsten beruflichen und akademischen Bereichen. Bei uns treffen sich Betriebswirt:innen, Mediziner:innen, Biolog:innen, Pharmazeut:innen, Menschen mit einem industriellen Hintergrund und viele mehr. Wir sehen unsere Aufgabe darin, Kompetenzen im Bereich der Datenanalyse und Technologieunterstützung zu vermitteln, die in verschiedenen Anwendungsbereichen benötigt werden.
