MATHEMATIK UND INFORMATIK

Mathematics for Data and Resource Sciences

Steckbrief

Fakultät Fakultät 1 - Mathematik und Informatik
Abschluss Master of Science (M.Sc.)
Regelstudienzeit 4 Semester
Studienbeginn Wintersemester
Zulassungsvoraussetzungen

B. Sc. in Mathematik oder vergleichbar und
TOEFL oder IELTS, 1 DIN A4 Motivationsschreiben,
Qualifikationsfeststellungsgespräch

Bewerbungsfrist 15. April
Sprache englisch

Studienkonzept

In heutigen Tätigkeiten von modernen Industrieunternehmen sind mathematische Fähigkeiten unumgänglich. Zudem sind die notwendige Quantifizierung, sachgemäße Beurteilung und Erfassung der Inhalte anwendungsorientierter Forschung nur durch einen hohen und qualifizierten Einsatz mathematischer Methoden durchführbar. Insbesondere im gegenwärtigen Problemkreis des Klimawandels als auch bei der Adressierung der damit verbundenen Herausforderungen sind das Behandeln großer Datenmengen einerseits und das Verständnis technischer Schwierigkeiten im Bereitstellen, Befördern, und Recyceln von Wertstoffen andererseits von Nöten. Basierend auf einem hervorragenden mathematischen Fundament, das idealerweise in einem allgemeinbildenden Bachelorstudiengang Mathematik gelegt wurde, fokussiert der Studiengang Mathematics for Data and Resource Sciences auf die Methoden und Techniken, um die obig beschriebenen Herausforderungen zu verstehen und mathematisch angehen zu können.

Ziel des Studiengangs

Erfolgreiche Absolventen und Absolventinnen des Masterstudiengangs Mathematics for Data and Resource Sciences verfügen über die Techniken, Methoden und die allgemeinen mathematischen Fähigkeiten, um die drängendsten Probleme der heutigen Zeit lösen zu können. Dazu gehören das Verständnis und die Verwertbarkeit großer Datenmengen, das Beherrschen des computergestützten sogenannten maschinellen Lernens als auch ein großes Problemverständnis im Bereich knapper Ressourcen, wie seltener Rohstoffe im Speziellen oder dem Planeten Erde im Allgemeinen.

Anwendungsorientierte Ringvorlesungen

In eigens für den Studiengang erstellten Ringvorlesungen werden mathematische Probleme aus der Anwendung diskutiert. Dies liefert bereits frühzeitig einen Katalog relevanter Problemstellungen, um die erlernten Fähigkeiten sinnvoll anzuwenden. Dabei betreffen die vorgestellten Themenkomplexe die Herzen der einzelnen Forschungsgebiete und werden ständig aktualisiert, um den besten Einblick in die mathematischen Fragestellungen zu gewinnen. 

Industriepraktikum

Ein Engagement der Studierenden bei lokal ansässigen Firmen wird belohnt. Absolviert man während des Studiums ein mindestens vier Monate andauerndes Industriepraktikum, kann diese Zeit auf die Bearbeitung der Masterarbeit angerechnet werden: Die maximale Bearbeitungsdauer wird um 3 Monate auf 6 Monate verkürzt und der erforderliche Inhalt entsprechend abgesenkt. Insbesondere soll dadurch die lokale Wirtschaft von schnellen Abschlüssen und passgenauen Fähigkeiten der Studierenden einerseits als auch die Studierenden selbst durch ein bestenfalls dauerhaftes Arbeitsverhältnis in der Region profitieren.

Studienbegleitende Masterarbeit

Das Studienangebot im vorliegenden Studiengang ist breit gefächert. Dadurch kann eine sehr umfassende und facettenreiche Ausbildung garantiert werden. Um diesen Reichtum auf alle vier Mastersemester ausdehnen zu können, kann die Bearbeitung der Masterarbeit durch flexiblere Fristen als bei den meisten anderen Studiengängen schon während des 3. Semesters beginnen.

Zertifizierung für spezielle Ausbildung

Im Rahmen des internationalen Masters ist es möglich, sich extra zertifizieren zu lassen, falls während des Studiums vertiefte Kenntnisse in Mathematical Data Science oder Geomathematics erlangt wurden. Durch die jeweilige Spezialisierung, wobei die erste eher den Fokus auf die Ver- und Bearbeitung (großer) Datenmengen legt und die zweite eher mathematische Probleme des Klimawandels oder der Kreislaufwirtschaft ins Zentrum des Interesses stellt, sind Absolventen und Absolventinnen ideal für die Anforderungen in der beruflichen Praxis vorbereitet.

Studienablauf

Studienablaufplan

Download PDF

Berufsfelder

IT-Unternehmen

Google, IBM

Finanzindustrie/Versicherung

Datenanalyst

Kreislaufwirtschaft

Optimierung von Software bei Kläranlagen,
Ressourcenoptimierung bei industriellen Fertigungsprozessen,
Materialwissenschaften

Unternehmensberatung

Datenanalyst

Automobilindustrie

Autonomes Fahren, Absicherung von Software

Bewerbung

Bitte bewerben Sie sich nur dann, wenn Sie die Zugangsvoraussetzungen zum Bewerbungszeitpunkt bereits erfüllen. Bei Nichterfüllung wird Ihre Bewerbung beim Auswahlverfahren nicht berücksichtigt.

Die Bewerbung erfolgt online über das Bewerbungsportal. Nach der Selbstregistrierung erhalten sie Ihre persönlichen Zugangsdaten und können starten.

Bewerbungszeitraum

  • 01.01.-15.04. für Wintersemester

Zugangsvoraussetzungen

  • abgeschlossenes Bachelorstudium im Fachbereich Mathematik oder vergleichbar
  • englische Sprachkenntnisse: TOEFL mit 90 Punkten (Internet-basierter Test), IELTS mit dem Ergebnis 6,5
  • Motivationsschreiben
  • Qualifikationsfeststellungsgespräch
  • Erfolgreich absolvierte Module aus Anforderungskatalog

Anforderungskatalog

 

ESSENTIAL:
Continuity
Differentiability 
Integrability
Functions of more than one variables
Metric Spaces
Implicit Function Theorem
Criteria for Existence and Uniqueness of Ordinary Differential Equations

DESIRABLE:   
Banach spaces
Hilbert Spaces
Compactness
Hahn—Banach Theorem
Open Mapping Theorem 
Manifolds
L_p-spaces.

ESSENTIAL:
set-theoretic and logical foundations   
order theory   
algebraic structures and homomorphisms   
linear algebra (vector spaces, linear operators, duality theory, eigenvalues) 

DESIRABLE:   
basics of graph theory and combinatorics

Numerics

ESSENTIAL:
Newton's method 
direct and iterative methods for linear systems of equations
least squares problems
interpolation using polynomials
numerical integration using Newton-Cotes 
fluency in one programming language (e.g. Python, Matlab, C/C++, Fortran)

DESIRABLE:   
Newton's method in higher dimensions
Gauss integration
Matlab or Python programming

ESSENTIAL:
Simplex algorithm
duality in linear programming
separation theorems
KKT conditions
constraint qualifications
sufficient optimality conditions
Lagrange duality

DESIRABLE:
optimality conditions for convex optimisation problems
Newton's algorithm
gradient descent methods
penalty methods
optimisation on graphs

ESSENTIAL:
Probability measure and sigma algebra
Distribution functions and moments
Random variables
Conditional probability
Law of large numbers and central limit theorem
Estimators and confidence intervals
statistical hypothesis testing
Linear Regression

DESIRABLE:  
Measure theory
Conditional expectation
Stochastic processes