MSc Data Science und Angewandte Analytik

Wie du studierst

Es wird immer wichtiger, Informatikstudenten mit den umfassenden Datenkenntnissen auszustatten, die sie benötigen, um in einer digitalen Wirtschaft erfolgreich zu sein. Kenntnisse in Datenanalyse, künstlicher Intelligenz und maschinellem Lernen sind in Unternehmen auf der ganzen Welt bereits gefragt, und Absolventen mit diesen Fähigkeiten sind wegweisend bei der Transformation der Art und Weise, wie Industrie und Gesellschaft funktionieren.

Studierende dieses Programms können ein Verständnis für das Design und den Einsatz von Data-Science-Tools und den zentralen datenbezogenen Komponenten der Informatik, Analyse und Technik entwickeln, die dies ermöglichen. Dazu gehört eine Mischung aus Lehrinhalten wie Programmierung und Datenwissenschaft, ausführlichen Fallstudien zu datenwissenschaftlichen Anwendungen und Technologieentwicklung wie schneller, zuverlässiger und interpretierbarer Datenanalyse und -technik. Darüber hinaus wird ein wesentlicher Schwerpunkt auf der Entwicklung praktischer Fähigkeiten für die Datenwissenschaft durch praktisches Lernen liegen.

Wie Sie beurteilt werden

Das Programm wird auf verschiedene Weise bewertet, darunter Tests im Unterricht, Kursarbeiten, Präsentationen, Poster und Prüfungen. Die meisten Prüfungen basieren auf Kursarbeiten und spiegeln den praktischen und angewandten Charakter der Informatik wider.

Das Abschlussprojekt ermöglicht es den Studierenden, sich weiter zu spezialisieren und eine Arbeit von erheblicher Komplexität abzuschließen.

Die Richtlinie der University of Lincoln zum Feedback zu Bewertungen zielt darauf ab, sicherzustellen, dass die Dozenten die kursinternen Bewertungen umgehend an die Studierenden zurücksenden, in der Regel innerhalb von 15 Arbeitstagen nach dem Einreichungsdatum.

Modul Übersicht

Big Data-Analyse und -Modellierung (Kern)

In diesem Modul werden aktuelle Methoden im Bereich der Big-Data-Analyse und -Modellierung untersucht und eine Reihe von Aspekten beim Sammeln, Transformieren, Verarbeiten, Analysieren und Ziehen von Schlussfolgerungen aus großen Datenmengen, bei denen es sich entweder um Signale oder visuelle Daten handeln kann, abgedeckt.Ziel ist es, den Studierenden ein tieferes Verständnis zu vermitteln und ihnen einen Einblick in die neuesten Entwicklungen in der Big-Data-Analytik zu ermöglichen und ihnen Wissen in praktischer Tiefe zu vermitteln. Im Rahmen des Moduls werden außerdem Programmierkenntnisse (z. B. Python), Tools und Methoden (z. B. Apache Spark, Spark Machine/Deep Learning, Distributed Analytics usw.) geschult, die für die Implementierung von Big-Data-Analysesystemen erforderlich sind.

Das Modul wird auch Anwendungen der Big-Data-Analyse in verschiedenen Bereichen wie Cybersicherheit, Internet der Dinge und Computer Vision abdecken und den Studierenden die Möglichkeit geben, sich ein umfassendes Bild vom technologischen Fortschritt in diesem sich schnell entwickelnden Bereich zu machen.

Datenprogrammierung in Python (Core)

Ziel dieses Moduls ist es, den Studierenden die wesentlichen Kenntnisse zu vermitteln, die für die Datenanalyse in der Programmiersprache Python erforderlich sind. Studierende können sowohl grundlegende Programmierkenntnisse als auch fortgeschrittene Funktionen wie objektorientierte Programmierung und Tools/Bibliotheken in Python (z. B. Pandas, Matplotlib, Numpy, Scipy, Keras, Sklearn) zur Umsetzung von Datenanalyseaufgaben erlernen. Sie werden außerdem mit nützlichen Frameworks und Best Practices wie virtuellen Umgebungen und Versionskontrolle vertraut gemacht.

Grenzen der Data Science-Forschung (Kern)

Dieses Modul bietet eine Einführung in aktuelle Themen datenwissenschaftsbezogener Forschungsthemen, einschließlich Theorie und praktischer Anwendungen. Das Modul ist so konzipiert, dass es einem Forschungsseminarformat folgt und Beiträge von Kollegen aus den entsprechenden Forschungsgruppen in Lincoln sowie Gastvorträge von Industrievertretern und führenden internationalen Forschern einbezieht. Studierende können darüber hinaus von der Möglichkeit profitieren, mögliche Forschungsthemen mit potenziellen Projektleitern und Kunden zu diskutieren und einen Forschungsvorschlag, eine Präsentation und eine Literaturrecherche zu erstellen, die zum Forschungsprojekt führen.

Grundlagen des Data Engineering (Kern)

Ziel dieses Moduls ist es, den Studierenden Kenntnisse im Bereich Data Engineering zu vermitteln, einschließlich Konzepten, Ökosystem und Lebenszyklus. Studierende können etwas über Datenbanksysteme zur Datenspeicherung und -prozesse sowie über Tools lernen, die sie als Dateningenieur verwenden (SQL/Streaming-SQL für Datenbankabfragen, MongoDB usw.), um Daten zu sammeln, umzuwandeln, zu laden, zu verarbeiten, abzufragen und zu verwalten dass es von Datenkonsumenten für den Betrieb und die Entscheidungsfindung genutzt werden kann.

Bild- und Textverarbeitung für Data Science (Core)

Data Science wird häufig zur Analyse strukturierter Datenmodalitäten eingesetzt, wobei es sich dabei am häufigsten um Bild- und Textdaten handelt. In diesem Modul werden die grundlegenden Tools und Techniken vorgestellt, mit denen innovative und umsetzbare Erkenntnisse aus verschiedenen Datentypen gewonnen werden. Die Studierenden können sich mit den am häufigsten ausgeführten Analyseaufgaben vertraut machen und die Durchführung von Datenanalysen anhand einer Auswahl öffentlicher und interner Datensätze üben.

Einführung in Data Mining (Kern)

Dieses Modul bietet eine Einführung in aktuelle Data-Mining-Techniken und zielt darauf ab, den Studierenden Kenntnisse über Ansätze für ein breites Spektrum von Datenanalysesituationen zu vermitteln, sie auf die Anwendung in realen Umgebungen vorzubereiten und ihnen ein vertieftes Studium auf diesem Gebiet zu ermöglichen Data-Mining. Die Studierenden können ein umfassendes Verständnis des Bereichs Data Mining und seiner Anwendung auf reale Probleme und Datensätze entwickeln. Zu den besprochenen Methoden gehören Klassifizierung und Clustering für eine Reihe von Modellierungs- und Vorhersageaufgaben sowie fortgeschrittene Methoden für spezielle Datentypen (z. B. Bilder) und Techniken zur Implementierung in der realen Welt (z. B. Dimensionsreduktion). Die Vorlesungen werden von praktischen Workshops begleitet, in denen den Studierenden die Möglichkeit gegeben wird, Datensätze zu manipulieren, zu lernen und die vermittelten Konzepte und Fähigkeiten zu demonstrieren.

Forschungsmethoden (LIAT) (Kern)

Dieses Modul deckt die grundlegenden Fähigkeiten und Hintergrundkenntnisse ab, die Studierende für die Durchführung eines Forschungsprojekts benötigen, darunter: Literaturübersicht; Auswahl und Begründung eines Forschungsthemas; Forschungsplanung; wissenschaftliches Schreiben, Datenerfassung, -verarbeitung und -analyse; sowie Präsentation und Berichterstattung über Forschungsergebnisse.

Forschungsprojekt (Kern)

Dieses Modul bietet Studierenden die Möglichkeit, ein bedeutendes Projekt durchzuführen, das sich auf einen Bereich von besonderem persönlichem und beruflichem Interesse konzentriert, und zwar durch die Entwicklung einer Dissertation und eine inhaltliche Softwareimplementierung.

Das Forschungsprojekt ist eine individuelle Arbeit, die den Studierenden die Möglichkeit gibt, Studienelemente aus verschiedenen Modulen anzuwenden und zu integrieren, die sich auf eine bestimmte Forschungsfrage konzentrieren. Von den Studierenden wird erwartet, dass sie Arbeiten durchführen, die für die laufende Forschung in einem der etablierten Forschungszentren der Lincoln School of Computer Science relevant sind, und eng unter der Aufsicht eines Mitglieds dieses Forschungszentrums zusammenarbeiten.

Von den Studierenden wird erwartet, dass sie ein Software-Artefakt entwickeln, dessen Umfang und Ziele nicht trivial sind und das durch die Best-Practice-Anwendung geeigneter theoretischer Rahmenbedingungen unterstützt wird.

Simulation, mathematische und statistische Modellierung (Kern)

Dieses Modul bietet eine Grundlage, die die Studierenden auf das Erlernen und Verstehen fortgeschrittener Konzepte der Datenwissenschaft vorbereitet. In diesem Modul werden drei Schlüsselbereiche vorgestellt und/oder überprüft, die für eine potenziell vielfältige Kohorte von Studierenden konzipiert sind. Ein Hauptgrundsatz der Datenwissenschaft dreht sich um das Konzept der Modellierung, insbesondere um die Verwendung von Modellen zur Darstellung und/oder Vorhersage von Verhaltensweisen und/oder Reaktionen natürlicher und künstlicher Systeme. Solche Modelle basieren typischerweise auf mathematischen oder statistischen Konstrukten, die in einem statischen (gleichungsbasierten) oder dynamischen (simulationsbasierten) Kontext dargestellt werden können. Der Lehrplan für dieses Modul ist in drei Themenbereiche unterteilt, die so konzipiert und organisiert sind, dass den Studierenden praktische Erfahrungen mit der Erstellung von Simulationsmodellen und der Verwendung grundlegender mathematischer und statistischer Methoden vermittelt werden.

Berufspraxis (Option)†

Dieses MSc-Programm ist auch mit einem Professional Practice Pathway verfügbar. Am Ende des ersten Jahres absolvieren die Studierenden drei bis zwölf Monate lang eine Berufspraxis, um im Rahmen eines bezahlten Praktikums praktische Erfahrungen zu sammeln. Die Studierenden sind für die Beschaffung ihrer bezahlten Praktika selbst verantwortlich, werden jedoch von akademischen Mitarbeitern unterstützt. Vor der Aufnahme in das Berufspraxisprogramm werden die Studierenden befragt, um ihr Verständnis für die damit verbundene Arbeit und ihr Engagement für die Suche nach einem Berufspraktikumsplatz zu beurteilen.

† Einige Kurse bieten optionale Module an. Die Verfügbarkeit von optionalen Modulen kann von Jahr zu Jahr variieren und setzt voraus, dass eine Mindestteilnehmerzahl erreicht wird. Dies bedeutet, dass die Verfügbarkeit bestimmter optionaler Module nicht garantiert werden kann. Die optionale Modulauswahl kann auch von der Verfügbarkeit der Mitarbeiter beeinflusst werden.

How You Study

It has becoming increasingly important to equip computing students with the deep data skills needed to thrive in a digital economy. Knowledge in data analytics, artificial intelligence, and machine learning are already in demand in organisations around the world and graduates with those skills are leading the way in transforming the way industry and society operates.

Studierende dieses Programms können ein Verständnis für das Design und den Einsatz von Data-Science-Tools sowie für die datenbezogenen Kernkomponenten von Computing, Analyse und Engineering entwickeln, die dies ermöglichen. Dies umfasst eine Mischung aus Lehrinhalten wie Programmierung und Data Science, ausführlichen Fallstudien zu Data-Science-Anwendungen und Technologieentwicklung wie schnelle, zuverlässige und interpretierbare Datenanalyse und -technik. Darüber hinaus liegt ein großer Schwerpunkt auf der Entwicklung praktischer Fähigkeiten für Data Science durch praxisnahes Lernen.

Dieser Masterstudiengang zielt darauf ab, Absolventen auszubilden, die relevante Ansätze zur Entwicklung von Data-Science-Tools, deren Implementierung und Evaluation, analytische Aspekte von Big Data sowie deren Bedeutung für Unternehmen und den öffentlichen Sektor verstehen. Absolventen können in Organisationen dieser Sektoren tätig sein, während einige ihr Studium auf Doktoratsebene fortsetzen können.