Mathematics for Data and Resource Sciences
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 angesichts des Klimawandels sowie auch bei der Adressierung der damit verbundenen Herausforderungen sind die Verarbeitung großer Datenmengen einerseits und das Verständnis technischer Schwierigkeiten im Bereitstellen, Befördern, und Recyceln von Wertstoffen andererseits essentiell. Basierend auf einem hervorragenden mathematischen Fundament, das idealerweise in einem allgemeinbildenden Bachelorstudiengang Mathematik gelegt wurde, fokussiert sich der englischsprachige Studiengang Mathematics for Data and Resource Sciences auf die Methoden und Techniken, um die obenbeschriebenen Herausforderungen zu verstehen und mathematisch angehen zu können.
Ziel des Studiengangs
Erfolgreiche Absolventinnen und Absolventen 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 sowie 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 Praxis diskutiert. Diese liefern einen Katalog relevanter Problemstellungen, um die erlernten Fähigkeiten sinnvoll anzuwenden. Dabei betreffen die vorgestellten Themenkomplexe den Kern 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 die vielfältigen Inhalte 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 zertifizieren zu lassen, wenn 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.
Bitte beachten Sie, dass es sich um einen englischsprachigen Studiengang handelt.
- Fakultät
-
Fakultät 1 - Mathematik und Informatik
- Abschluss
-
Master of Science (M. Sc.)
- Regelstudienzeit
-
4 Semester
- Teilzeit möglich
-
Nein
- Studienbeginn
-
WintersemesterSommersemester
- Zulassungsvoraussetzung
-
- B. Sc. in Mathematik oder vergleichbar
- Qualifikationsfeststellungsgespräch
- Motivationsschreiben (eine A4-Seite)
Sprachkenntnisse:
- TOEFL min. 90 Punkte (Internet-basierter Test) oder
- IELTS min. 6.5 oder äquivalenter Sprachtest oder
- eine an einer englischsprachigen Schule erworbene Hochschulzugangsberechtigung, ein vollständig englischsprachiges Studium oder die englische Sprache als Muttersprache (diese können als Äquivalent angerechnet werden)
- Studiengangsprache
-
Englisch
- IT-Unternehmen wie z.B. Google oder IBM
- Finanzindustrie und Versicherung: z.B. in der Datenanalyse
- Kreislaufwirtschaft: z.B. bei der Optimierung von Software für Kläranlagen, der Ressourcenoptimierung bei industriellen Fertigungsprozessen oder auch in den Materialwissenschaften
- Unternehmensberatung: z.B. in der Datenanalyse
- Automobilindustrie: z.B. im Bereich des autonomen Fahrens oder der Absicherung von Software
Warum Mathematics for Data and Resource Sciences an der TUBAF studieren?
- anwendungsorientierte Ringvorlesungen
- Industriepraktikum
- studienbegleitende Masterarbeit
- Zertifizierung für spezielle Ausbildung im Bereich Mathematical Data Science oder Geomathematics möglich
Erforderliche Vorkenntnisse (englisch)
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
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