Data Science in Technik und Wirtschaft (B. Eng.)

Das Modul vermittelt grundlegende mathematische Werkzeuge für Data Science, darunter Analysis, Funktionen und Differentialgleichungen. Studierende lernen, mathematisch zu argumentieren und typische datenwissenschaftliche Fragestellungen mit formalen Methoden zu analysieren und zu lösen.

Einführung in statistisches Denken und Datenanalyse. Behandelt deskriptive Statistik, Wahrscheinlichkeitsrechnung, Verteilungen, Schätzung und Hypothesentests. Ziel ist es, Daten korrekt zu analysieren, zu interpretieren und fundierte Schlussfolgerungen zu ziehen.

Vermittelt grundlegende Informatikkenntnisse für den Data-Science-Alltag. Themen sind Dateisysteme, Betriebssysteme, Kommandozeile, IT-Sicherheit sowie Cloud- und Serverumgebungen – als Basis für effizientes und sicheres Arbeiten mit Daten.

Vertieft statistische Inhalte durch praktische Anwendung. Studierende analysieren reale Datensätze, erstellen Visualisierungen, führen Simulationen durch und interpretieren Ergebnisse im Rahmen kleiner Projekte und Präsentationen.

Einführung in anwendungsorientiertes Programmieren mit Python, Bash und SQL. Der Fokus liegt auf Datenanalyse, Nutzung relevanter Bibliotheken, Arbeiten auf Servern sowie dem praktischen Umgang mit Datenbanken.

Vermittelt grundlegende Kenntnisse der Betriebs- und Volkswirtschaftslehre und fördert ein ganzheitliches betriebswirtschaftsliches Denken. Studierende lernen unternehmerische Prozesse faktenbasiert zu analysieren und zielorientierte Entscheidungen zu treffen.

Aufbauend auf Mathematik 1 werden lineare Algebra und mehrdimensionale Analysis behandelt. Die Inhalte bilden eine zentrale Grundlage für moderne Data-Science-Verfahren wie Optimierung, Machine Learning und statistische Modellierung.

Einführung in statistische Modellierung mit Schwerpunkt auf linearer Regression. Studierende lernen Modellannahmen zu prüfen, Modellgüte zu bewerten und geeignete Modelle für datenbasierte Fragestellungen auszuwählen.

Vertieft Softwareentwicklung mit Python. Behandelt objektorientierte Programmierung, Testen und Debugging, einfache Algorithmen sowie teamorientierte Entwicklung datengetriebener Anwendungen.

Praktische Umsetzung statistischer Modelle mit realen Daten. Fokus auf Datenaufbereitung, Modellierung, Diagnose und Interpretation von Regressionen sowie Teamarbeit und Präsentation der Ergebnisse.

Projektorientiertes Modul zur professionellen Softwareentwicklung. Studierende arbeiten mit Versionsverwaltung, Tests, Dokumentation und Containerisierung und entwickeln gemeinsam lauffähige datengetriebene Anwendungen.

Einführung in die Entwicklung technischer Produkte sowie die Gestaltung und normgerechte Darstellung von Bauteilen und -gruppen. Neben dem systematischen Vorgehen im Produktentwicklungsprozess von der Idee bis zur Fertigung, lernen die Studierenden die funktionsgerechte Wahl von Toleranzen, Passungen und Oberflächencharakteristika, die Durchführung von Toleranzanalysen und das fertigungsgerechte Gestalten.

Vermittelt theoretische Grundlagen der Wahrscheinlichkeit. Studierende lernen Zufallsvariablen, Verteilungen und Grenzwertsätze kennen und nutzen diese zur Modellierung datengetriebener Prozesse.

Einführung in angewandtes maschinelles Lernen. Behandelt Klassifikationsverfahren, Modellbewertung, Validierung, Interpretierbarkeit und den verantwortungsvollen Einsatz von ML-Modellen.

Vermittelt Grundlagen des Data Engineerings mit Fokus auf relationale Datenbanken, Datenmodellierung und SQL. Studierende lernen, Daten strukturiert zu speichern und in Softwareprojekte zu integrieren.

Praxisorientiertes ML-Projektmodul. Studierende setzen vollständige ML-Workflows um – von Datenaufbereitung über Modelltraining bis zur Ergebnisbewertung und Präsentation im Team.

Einführung in industrielle Automatisierungssysteme. Behandelt Steuerungs- und Regelungstechnik, Sensorik, SPS-Programmierung und industrielle Kommunikation im Kontext moderner Produktionssysteme.

Das Modul Produktionstechnik vermittelt grundlegendes Wissen über Maschinen, Produktions- und Montagesysteme sowie deren Einsatz in der Industrie. Dabei werden auch digitale Transformation, Nachhaltigkeit und wirtschaftliche sowie organisatorische Aspekte moderner Produktionsprozesse behandelt.

Anwendung statistischer Methoden zur Qualitätssicherung in Produktion und Dienstleistung. Behandelt Prozesskontrolle, Regelkarten, Prozessfähigkeit und Design of Experiments mit starkem Praxisbezug.

Das Modul vermittelt praxisnahe Deep-Learning-Verfahren. Studierende entwickeln neuronale Netze für Bild‑, Text‑ und Sequenzdaten und arbeiten mit modernen Frameworks wie PyTorch oder TensorFlow an realistischen Anwendungsfällen.

Vertieft Data-Engineering-Konzepte mit Fokus auf Big Data und NoSQL. Behandelt unterschiedliche Datenarten, skalierbare Datenmodelle, Datenaufbereitung sowie Cloud- und verteilte Systeme in praxisnahen Projekten.

Projektorientiertes Labor zur praktischen Anwendung von Deep Learning. Studierende entwickeln, trainieren und evaluieren komplexe Modelle und dokumentieren ihre Ergebnisse wissenschaftlich fundiert im Team.

Module in English. Introduction to business information systems and IT infrastructures. Covers ERP, CRM and SCM systems and their role in digital, data-driven business processes.

Vermittelt Grundlagen und Instrumente des Marketings. Studierende lernen Marktanalysen, Marktforschung und Marketingentscheidungen datenbasiert zu unterstützen und strategisch einzuordnen.

Das Praxissemester ermöglicht die direkte Anwendung von Studieninhalten in einem Unternehmen. Vertiefung der im theoretischen Studium erworbenen Kompetenzen. Die Studierenden wenden ihr Wissen in realen Aufgaben an und gewinnen Berufserfahrung. Praktikum mit einer Dauer von 20 Wochen ist im 2. Studienabschnitt nach Erreichen der Vorrückungsvoraussetzungen zu absolvieren.

Dreitägige Blockveranstaltung zu berufsfeldorientierten Kompetenzen, z.B. Exkursionen, Workshops und Seminare zu Themen wie Moderation, Präsentation, Konfliktmanagement, Rhetorik, wissenschaftliches Arbeiten oder Ethik.

Module in English. The master’s thesis represents the final academic project. Students independently address a complex topic in digital procurement or supply chain management and apply scientific methods to practical problems.

Module in English. This module covers forecasting and time series analysis. Students model trends, seasonality and uncertainty to generate predictions for technical and economic applications.

Teamprojekt mit starkem Praxisbezug. Studierende bearbeiten reale Fragestellungen an der Schnittstelle von Data Science, Technik und Wirtschaft und stärken Projekt‑ und Kommunikationskompetenzen.

Vermittelt Grundlagen der Investitionsrechnung und Unternehmensfinanzierung. Studierende bewerten Investitionsentscheidungen, Finanzierungsalternativen und wirtschaftliche Risiken datenbasiert.

Behandelt ethische, rechtliche und gesellschaftliche Aspekte von Data Science und KI. Studierende setzen sich mit Datenschutz, Fairness, Transparenz und Regulierung auseinander.

Eigenständige Bearbeitung einer datenbasierten Fragestellung aus Technik oder Wirtschaft. Studierende wenden erlernte Methoden an und dokumentieren ihre Ergebnisse wissenschaftlich fundiert.

Bereitet gezielt auf die Bachelorarbeit vor. Studierende entwickeln Fragestellung, Methodik und Struktur und üben die Präsentation und Diskussion wissenschaftlicher Arbeiten.

Einführung in das Industrial Internet of Things. Behandelt vernetzte Systeme, industrielle Kommunikation, Datenerfassung und -auswertung sowie datengetriebene Anwendungen in der Industrie.