Data Analytics Track - eecs.tu-berlin.de€¦ · Data Analytics Track -Trackbeschreibung-Berlin, 28. Juni 2013 (Version SS13-R1) Seite 1/15 Fakultät IV Zusammenfassung: Der Data

Data Analytics Track -Trackbeschreibung-

Berlin, 28. Juni 2013 (Version SS13-R1) Seite 1/15 Fakultät IV

Zusammenfassung:

Der Data Analytics Track bietet überdurchschnittlichen Studierenden der Studiengänge Informatik,

Technische Informatik und Wirtschaftsinformatik die Möglichkeit die Zusatzqualifikation Datenanalyst im

Rahmen ihres regulären Masterstudiums zu erwerben. Diese Zusatzqualifikation wird durch ein Zertifikat,

welches die Fakultät IV verleiht, bestätigt und bescheinigt umfangreiches Fachwissen in den Bereichen

der Datenanalyse und skalierbarem Datenmanagements, sowie die Fähigkeit dieses Wissen auf

praktische Probleme anwenden zu können.

Ein umfangreiches Modulangebot auf Englisch stellt sicher, dass auch Studierende ohne

Deutschkenntnisse dem Track folgen können und richtet sich daher explizit auch an internationale

Studierende.

In diesem Dokument werden die Qualifikationsziele des Tracks, Details zum Studienverlauf, sowie eine

kurze Übersicht möglicher Berufsbilder aufgezeigt.

Inhalt Zielsetzung und Motivation ......................................................................................................................... 2

Hintergrund ............................................................................................................................................. 2

Beschäftigungsmöglichkeiten .................................................................................................................. 2

Trackgestaltung ....................................................................................................................................... 3

Qualifikations- und Kompetenzziele ........................................................................................................... 3

Anforderungen ............................................................................................................................................ 4

Konzept ........................................................................................................................................................ 4

Umfang und Gliederung des Tracks ........................................................................................................ 4

Mentorenprogramm ............................................................................................................................... 5

Qualitätsmangement ................................................................................................................................... 5

Aktualisierung des Data Analytics Track Curriculums ............................................................................. 5

Auflösung des Tracks ............................................................................................................................... 5

Studienverlaufspläne ................................................................................................................................... 6

Master Informatik (Ausrichtung Statistik und Ökonometrie) ................................................................. 6

Master Informatik (Schwerpunkt Mathematik) ...................................................................................... 7

Master Technische Informatik................................................................................................................. 8

Master Wirtschaftsinformatik ................................................................................................................. 9

Anrechenbare Kurse .................................................................................................................................. 10

Fragen und Antworten .............................................................................................................................. 15

Was ist ein Track? .................................................................................................................................. 15

Wer kann den Track belegen? ............................................................................................................... 15

Verlängert sich das Studium durch das belegen des Tracks?................................................................ 15



Zielsetzung und Motivation

Hintergrund Die zunehmende Vernetzung im Internet der Dinge und Dienste, komplexe Simulationsmodelle sowie die

Verwendung von fortgeschrittener Sensorik führen zu einer immer größeren Verfügbarkeit von Daten,

welche zur Analyse und Entscheidungsunterstützung in Wissenschaft, Wirtschaft und Gesellschaft

herangezogen werden können. Im Bereich der Wirtschaft stellen beispielswiese Daten von

Transaktionen und Benutzerinteraktionen eine wichtige Ressource dar, um Entscheidern eine fundierte

Grundlage für taktische und strategische Unternehmensentscheidungen zu geben. Daten aus dem

Internet, Simulationen, sowie Sensordaten können zudem als wichtige Grundlage dienen, um Prozesse

in der Gesellschaft besser zu verstehen, moderne gesellschaftliche Herausforderungen zu meistern,

sowie, um die Lebensqualität nachhaltig zu verbessern (z.B. user-generated content den digital

humanities). Maschinen-Machinen-Kommunikation und wissenschaftliche Experimente (z.B., in der

Astronomie, Physik, Gensequenzierung oder Sensordaten in den Geowissenschaften, Materialforschung

erzeugen Daten von bisher unbekanntem Ausmaß und mit immer größeren Anforderungen, diese Daten

zu verwenden, um schneller neue Erkenntnisse zu gewinnen.

Dieser Trend wird derzeit durch die Schlagwörter „big data“ und „data science“ popularisiert. McKinsey1

erwartet, dass dieser Trend sowohl Wissenschaft als auch Wirtschaft nachhaltig verändern wird. In

diesem Kontext werden Datenanalysemethoden immer komplexer und erfordern die Anwendung von

komplexen Algorithmen des maschinellen Lernens, Data Mining, Text Mining und Graph Mining auf

großen Datenmengen. Dabei werden große Vorhersagemodelle und Simulationen entwickelt, welche

eine Vielzahl von heterogenen Datenquellen und –typen integrieren.

Der Data Analytics Tracks an der TU Berlin vermittelt Kenntnisse und Kompetenzen in den Bereichen der Datenanalyse sowie der skalierbaren Datenverarbeitung und wendet diese in ausgewählten Anwendungsgebieten an, um Studierende optimal auf diese neue Berufsbild des Datenanalysten vorzubereiten.

Beschäftigungsmöglichkeiten Studierende die dem Data Analytics Track folgen erwerben grundlegende Kenntnisse in den Bereichen

Datenanalyse und skalierbarem Datenmanagement. Dieses qualifiziert sie für ein weites Feld an

Beschäftigungsmöglichkeiten in Wirtschaft und Wissenschaft und bietet ihnen während ihres ganzen

Berufslebens eine nützliche Grundlage. Darüber hinaus sorgt der Bereich Anwendungen im Track dafür,

dass sie die Grundlagenqualifikationen für ein Anwendungsfeld praktisch umsetzen und somit optimal

auf einen Berufseinstig in dieser Anwendungsdomäne vorbereitet sind. Für Studierend die sich zu

Beginn ihres Masterstudiums noch nicht sicher sind, im welchen Anwendungsfeld sie tätig werden

möchten bietet der Track die Möglichkeit verschiedene Anwendungsfelder kennen zu lernen und erst

während der Masterarbeit die konkrete Vorbereitung auf ein Anwendungsfeld zu erhalten.

Masterarbeiten in einem Unternehmen, das im Bereich skalierbaren Datenanalyse tätig ist anzufertigen,

wird von den Professorinnen2 des Labs ausdrücklich begrüßt. Hierzu sollte nach Möglichkeit ein

Semester vor Beginn der Masterarbeit mit einer Professorin des Labs Rücksprache gehalten werden.

Unabhängig vom Studiengang können Studierende große Datenmengen analysieren, und damit je nach

Schwerpunkt in Entscheidungsunterstützenden Tätigkeiten in Wirtschaft oder Wissenschaft arbeiten.

1 McKinsey Global Institute: Big data: The next frontier for innovation, competition, and productivity.

http://www.mckinsey.com/~/media/McKinsey/dotcom/Insights%20and%20pubs/MGI/Research/Technolo

gy%20and%20Innovation/Big%20Data/MGI_big_data_full_report.ashx, 2012, last accessed Apr 20, 2013.

2 Aus Gründen der sprachlichen Vereinfachung wird im folgenden Text die weibliche Form gewählt.



Beispiele für derartige Tätigkeiten sind Optimierung von Unternehmensfunktionen (z.B. Logistik,

Produktionsplanung, Produktionssteuerung, Marktforschung), das Beantworten von gesellschaftlichen

und politischen Fragestellungen (z.B. Energieplanung, Verkehrsplanung, Wasserwirtschaft) sowie im

wissenschaftlichen Bereich (Auswertung von Experimenten, Durchführung von Simulationen).

Trackgestaltung

Durch den einzurichtenden Track Data Analytics Track soll Studierenden, die eine Tätigkeit im Bereich Data Analytics anstreben, bei der Wahl der geeigneten Module helfen. Dazu stellt der Track eine Liste mit für Datenanalysten relevanten Modulen sowie vier verschiedenen Studienverlaufsplänen bereit. Die Studienverlaufspläne ermöglichen es den Track in englischer Sprache zu absolvieren. Diese Zusatzqualifikationen werden nach erfolgreichem Beenden des Data Analytics Tracks durch ein Zertifikat bestätigt.

Qualifikations- und Kompetenzziele Der Data Analytics Track soll die Studierenden mit Fähigkeiten für datengetriebene

Entscheidungsfindung auszustatten, dazu zählt Methodenkompetenz, um aus heterogenen Datensätzen

beliebiger Größe Erkenntnisse zu gewinnen und Anwendungskompetenz, um die erlernten Methodikern

für reale Forschungs- und Geschäftsszenarien umsetzen zu können.

Die Studierenden, erwerben folgende Kompetenzen, wie sie für das Berufsbild eines Datenanalysten

(engl. Data Scientist/ Data Analyst/ Data Engineer) erforderlich sind.3

Wissen über die Anwendung spezifischer Methoden des Maschinellen Lernens (Klassifikation, Regression, Dimensionsreduktion, Clustering)

Anwendung, Anpassung und Weiterentwicklung dieser Methoden auf praktische Probleme

Funktionsweisen von relationalen Datenbanken

Implementierung von effizienten Algorithmen zum Datenzugriff auf massiv parallel Datenverarbeitungssystem

3 Siehe hierzu auch Beschäftigungsmöglichkeiten (Seite 2).



Anforderungen

Studierende die diesem Track folgen müssen in einem der folgenden Masterstudiengänge der Technischen Universität Berlin eingeschrieben sein:

a) Informatik b) Technische Informatik c) Wirtschaftsinformatik

Insbesondere wird erwartet, dass…

… gute Englischkenntnisse vorhanden sind, um Lehrveranstaltung auf Englisch folgen zu können.

… Programmiererfahrung mit funktionalen und objektorientierten Sprachen vorhanden ist.

… Grundkenntnisse zu Datenbankmanagementsystemen sowohl im Hinblick auf Verarbeitung von Daten (DML) sowie Schemainformation (DDL) vorliegen.

… mathematisches Grundlagenwissen aus den Bereichen linearer Algebra und Grundkenntnisse in Analysis abrufbar sind.

Darüber hinaus ist die Fähigkeit etwaige fehlende Vorkenntnisse im Selbststudium zu erarbeiten zwingend erforderlich. Ein formaler Nachweis dieser Fähigkeiten ist nicht erforderlich.

Konzept

Umfang und Gliederung des Tracks Um das Trackzertifikat zu erhalten sind 78ECTS aus den im Track empfohlen Modulen zu wählen. Diese

Gliedern sich wie folgt

1. Datenanalyse4 ( 18ECTS)

2. Skalierbare Datenverarbeitung ( 12ECTS)

3. Anwendungen ( 6ECTS)

4. ein Projekt (9ECTS)

5. ein Seminar (3ECTS) und

6. die Masterarbeit (30ECTS).

Zusätzlich sind folgende Lehrveranstaltungen verpflichtend:

Im Bereich Datenanalyse ist entweder das Modul (#61789) Maschinelles Lernen oder das Modul

(#60585) Maschinelle Intelligenz zu belegen.

Im Bereich Skalierbare Datenverarbeitung sind das Modul (#60927/#60795) Implementierung von

Datenbanksystemen wahlweise mit oder ohne Lab zu wählen

Die übrigen Module müssen aus dem Wahlbereichen siehe Anlage 1 gewählt werden. Die ECTS die in

den Pflichtmodulen erworben werden zählen für die Kataloge der Bereiche nicht aber die ECTS des

Seminar oder Projekts. Beispielsweise erfüllt das Modul Maschinelles Lernen mit 9 ECTS bereits die

Hälfte der erforderlichen Punkte aus dem Bereich Datenanalyse. Es müssen lediglich 9 weitere

Leistungspunkte aus dem Bereich belegt werden.

Die Masterarbeit muss von einer Professorin des Labs betreut werden und einen deutlicher Bezug zum

Themenfeld Data Analytics haben.

4 Zu beachten ist, dass Data Analytics über Datenanalyse (Data Analyses) hinausgeht. Analyse

beschreibt die systematische Untersuchung eines Objekts und Analysis beinhaltet darüber hinaus, dass Schlussfolgerungen aus diesen Analysen gezogen werden.



Mentorenprogramm Die Einschreibung für den Data Analytics Track erfolgt durch Anmeldung im ISIS Kurs „Data Analytics

(Track)“. Jede Teilnehmerin bekommt eine Mentorin zugewiesen, die in der Regel eine

Wissenschaftliche Mitarbeiterin aus einem Lehrstuhl des Data Analytics Lab ist. Für die erfolgreiche

Teilnahme am Track ist jedes Semester ein Treffen mit der Mentorin erforderlich. Dieses Treffen wird im

ISIS Kurs dokumentiert. Bei einem Auslandsaufenthalt oder vergleichbaren Gründen kann das Treffen

auch fernmündlich erfolgen.

Änderungen am Track werden im ISIS Kurs bekannt gegeben.

Qualitätsmangement

Aktualisierung des Data Analytics Track Curriculums Vor jedem Wintersemester findet eine Aktualisierung des Tracks statt. Dabei wird sowohl die

Trackbeschreibung an den Stand der Forschung angepasst, als auch die für den Track zugelassen

Module überarbeitet. Das Ergebnis der Überarbeitung teilt die Trackverantwortliche der

Ausbildungskommission bis spätestens zum 30.9. mit.

Bei der Prüfung der Module können sowohl Module gestrichen als auch neue Module hinzugefügt

werden. Bei den Modulen, die aus dem Vorjahr übernommen werden, muss für den Fall das sich

wesentliche Bestandteile des Moduls geändert haben, geprüft werden, ob die neue Version des Modul

mit seinen geänderten Bestandteilen noch zu den Qualifikationszielen des Tracks passt.

Weiterhin muss die Trackverantwortliche sicherstellen, dass es für jeden Studiengang einen

Studienverlaufsplan gibt, der nur Module beinhaltet dessen Lehrveranstaltungen in englischer Sprache

angeboten werden.

Auflösung des Tracks Zur Auflösung des Tracks bedarf es der Zustimmung des Fakultätsrats mit einfacher Mehrheit kann mit

die Auflösung des Tracks mit einfacher Mehrheit beschließen. Gibt es zur Zeit der Auflösung noch

Studierende, die dem Track folgen, wird die Ausbildungskommission mit der Ausarbeitung einer

Übergangslösung für die betroffenen Studierenden beauftragt.



Anhang

Studienverlaufspläne Im folgenden Kapitel werden vier mögliche Studienverlaufspläne, die es ermöglichen die für das

Trackzertifikat erforderlichen Kurse in englischer Sprache zu absolvieren.

Master Informatik (Ausrichtung Statistik und Ökonometrie)

Kurs ECTS Bereich

1. Mastersemester (WS)

Machine Intelligence I 6 Data Analysis (Pflicht)

Implementation of Database Systems 6 Skalierbares Datenmanagement (Pflicht)

Implementation of Database Systems Lab 6 Skalierbares Datenmanagement

Multivariate Analysis / Business Statistics 3 Anwendung

Big Data Analytics Seminar 3 Seminar Catalog

2. Mastersemester (SS)

Time Series Analysis 3 Data Analysis

Scalable Data Analysis and Data Mining 6 (Skalierbares Datenmanagement)

Machine Intelligence II 6 Data Analysis

Digital Communities 6 Anwendung

Treatment Effect Analysis 6 Data Analysis

9 Studium Generale


Big Data Analytics Project 9 Projektkatalog

Microeconometrics 6 Data Analysis

Management of Data Streams 6 Skalierbares Datenmanagement

Network Architectures Basic 6 (Anwendung)

5 Studium Generale


Masters Thesis 30



Master Informatik (Schwerpunkt Mathematik)

Kurs ECTS Bereich


Machine Intelligence I 6 Data Analysis (Pflicht)


Implementation of Database Systems Lab 6 Skalierbares Datenmanagement

Big Data Analytics Seminar 3 Seminar Catalog

10 Studium Generale



Scalable Data Analysis and Data Mining 6 (Skalierbares Datenmanagement)

Machine Intelligence II 6 Data Analysis

Digital Communities 6 Anwendung

Wahrscheinlichkeitstheorie I 10 Anwendung



Stochastische Modelle 10 Data Analysis

Foundations of Distributed Systems 6 (Skalierbares Datenmanagement)

3 Studium Generale


Masters Thesis 30



Master Technische Informatik

Kurs ECTS Bereich Katalog

Bachelorstudium

Machine Intelligence I 6 Data Analysis

(Pflicht)

Implementation of Database Systems 6 Skalierbares

Datenmanagement

(Pflicht)

Implementation of Database Systems Lab 6 Skalierbares

Datenmanagement

Abschlussarbeit Bachelor Technische Informatik 12


Probabilistic and Bayesian Modeling in Machine

Learning and Artificial Intelligence

6 Data Analysis 13. Datenanalyse (Informatik)

Scalable Data Analysis and Data Mining 6 Skalierbares

Datenmanagement

13. Datenanalyse

(Informatik)

Hot Topics in Machine Learning and Artificial

Intelligence

6 Data Analysis 13. Datenanalyse

(Informatik)

eg. Praktikum Maschinelles Lernen 9 Projektkatalog 13. Datenanalyse

(Informatik)


Digitale Nachrichtenübertragung 9 Anwendung 2. Digitale Medien

(Elektrotechnik)

Speech Signal Processing and Speech

Technology

6 (Anwendung) 2. Digitale Medien

(Elektrotechnik)

Master Projekt Verteilte Systeme 9 (Projektkatalog) 11. Software Engineering

(Technische Informatik)

eg. Aktuelle Themen aus dem Bereich der

parallelen Datenverarbeitung

3 Seminar Catalog 11. Software Engineering

(Technische Informatik)

6 Studium Generale


Masters Thesis 30

Im Beispiel ist das Schwerpunktfach Datenanalyse (27 ECTS) und die Hauptfächer sind Digitale Medien

(15 ECTS) und Software Engineering (12 ECTS). Die Leistungspunkte aus dem Studium Generale sind

nur Beispielsweise im WS eingetragen. Diese können auch zu je 3 SWS im Winter und Sommer oder nur

im Sommersemester belegt werden.



Master Wirtschaftsinformatik

Kurs ECTS Bereich


Machine Learning I 9 Data Analysis (Pflicht)


Multivariate Analysis / Business Statistics 3 Anwendung

IP Management 6 Anwendung

6 Studium Generale



Scalable Data Analysis and Data Mining 6 Skalierbares Datenmanagement

Microeconometrics 6 Data Analysis

Digital Communities 6 (Anwendung)

Experimental and Behavioural Economics 6 (Anwendung)

3 Studium Generale



Cloud Operations 6 (Skalierbares Datenmanagement)

Econometric Analysis of Longitudinal- and Panel

Data

6 Data Analysis

Fundamentals in Logistics & Traffic 6 (Anwendung)

IMSEM - Hot Topics in Information Management 3 Seminar Catalog


Masters Thesis 30



Anrechenbare Kurse In folgenden Abschnitt sind die Wahlpflicht Kurse, die zum erlagen des Trackzertifikats erforderlich sind,

aufgelistet. Siehe hierzu den Abschnitt Konzept auf Seite 4, sowie Aktualisierung des Data Analytics

Track Curriculums auf Seite 5.

Table 1 Wahlbereich Datenanalyse

TITEL ECTS Verantwortlich SS/WS LANG FAK

Probabilistic and Bayesian Modelling in Machine Learning and Artificial Intelligence 6 Opper SS E 4

Praktikum Maschinelles Lernen 9 Müller WS/SS E 4

Hot Topics in Machine Learning and Artificial Intelligence 6 Opper SS E 4

Maschinelles Lernen 2 9 Müller SS E 4

Machine Intelligence II/ Neuronale Informationsverarbeitung II 6 Obermayer SS E 4

Numerische Mathematik fur Ingenieure II 10 Liesen WS E 2

Econometrics 6 Werwatz WS E 7

Time Series Analysis 3 Werwatz SS E 7

Econometric Analysis of Longitudinal- and Panel Data 3 Werwatz WS E 7

Multivariate Analysis / Business Statistics 3 Werwatz WS E 7

Treatment Effect Analysis 3 Werwatz SS E 7

Microeconometrics 3 Werwatz WS E 7

Monte Carlo Methods in Artificial Intelligence and Machine Learning 6 Opper ? E 7



Table 2 Wahlbereich Skalierbare Datenverarbeitung


Advanced Information Management 1– Heterogeneous and Distributed Information Systems/HDIS 6 Markl SS E 4

Advanced Information Management AIM 2: Management of Data Streams 6 Markl WS E 4

AIM-3 / SDADM Advanced Information Management III – Scalable Data Analysis and Data Mining 6 Markl SS E 4

Theorie Verteilter Algorithmen 6 Nestmann WS E 4

Parallel Systems 6 Heiß SS E 4

CIT9- Cloud Computing 6 Kao WS E 4

Table 3 Wahlbereich Anwendungen


Quellencodierung (Technische Informatik) 9 Sikora WS D 4

Digitale Nachrichtenübertragung (Technische Informatik) 9 Sikora WS D 4

Semantic Search 12 Albayrak SS E 4

Intelligente Sicherheit in Netzwerken 9 Albayrak WS/SS D 4

Digital Communities 6 Küpper SS E 4

Signalverarbeitung 6 Orglmeister WS D 4

SignaECTSrozessor-Projekt 6 Orglmeister SS ? 4

Ausgewählte Gebiete aus Elektronik und Signalverarbeitung 6 Orglmeister WS D 4

Messtechnik 12 Thewes WS D 4




Bauelemente Integrierter Schaltungen I 12 Boit WS ? 4

Technische Diagnose I 6 Gühmann SS D 4

Technische Diagnose II 9 Gühmann WS D 4

Speech Signal Processing and Speech Technology 6 Möller WS E 4

Modellierung technischer Systeme 9 Jähnichen ? ? 4

Digitale Signalverarbeitung 12 Orglmeister ? ? 4

Health Economics II 6 M. Runkel WS D 7

Energy Economics – Technology and Innovation 6

Christian von Hirschhausen SS D 7

Integrated Information Management 6 Rüdiger Zarnekow SS D 7

IT-Service-Management 6 Rüdiger Zarnekow WS D 7

FüS-Entrepreneurship and Innovation Management 6 Jan Kratzer SS D 7

The Economics of Climate Change 6

Ottmar Edenhofer und Robert Marschinski SS E 6

Venture Campus 6 Jan Kratzer SS D 7

Basic of Logistics & Traffics 6 Frank Straube ?? E 7

Energy Economics – Electricity Markets 6 Christian von Hirschhausen SS D 7

Experimental and Behavioural Economics 6 Dorothea Kübler SS E 7

Auditing / Prüfungslehre 6 Kasperzak / N.N. SS D 7

Energy Economics 6 Erdmann WS E 3




Methods for Network Engineering (OR 2) 6 Franziska Holz (DIW) SS E 7

Technikrecht C: Technik-, Patent- und Innovationsrecht 6 Ensthaler SS D 7

IP Management 6 Blind WS E 7

Applied Embedded Systems Projekt 6 Juurlink

D 4

Network Architectures Basic 6 Feldmann WS D 4

Ecommerce 6 Prof. Dr. Axel Küpper WS E 4

Unternehmensarchitektur und Serviceorientierung 6 Prof. Krallmann ? D 4

Table 4 Wahlbereich Projekte


Praktikum Maschinelles Lernen 9 Müller WS/SS D 4 Projekt: Statistische Methoden in Künstlicher Intelligenz und Maschinellem Lernen 9 Opper WS E 4 Projekt neuronale Informations-verarbeitung / Neural Information Processing Project 9 Obermayer SS E 4

Digitale Nachrichtenübertragung (Technische Informatik) 9 Sikora WS D 4

Big Data Analytics Project 9 Markl SS E 4

CIT 11 – Master Projekt Verteilte Systeme 9 Kao WS/SS D 4



Table 5 Wahlbereich Seminare


IMSEM - Hot Topics in Information Management 3 Markl WS E 4

Classical Topics in Machine Learning 3 Müller WS ? 4

CIT8 – Aktuelle Themen aus dem Bereich der verteilten Systeme 3 Kao WS/SS D 4

Advances in Semantic Search 3 Albayrak WS/SS E 4

Synchrone und Asynchrone Interaktion in Verteilten Systemen 3 Nestmann SS ? 4

BDASEM – Big Data Analytics Seminar 3 Markl SS E 4 Probabilistic and Bayesian Modelling in Machine Learning and Artificial Intelligence-Seminar 3 Opper SS E 4

Seminar Mess- und Diagnosetechnik 3 Gühmann SS E 4

Seminar Programmierung eingebetteter Systeme 3 Glesner WS/SS D 4

Recent Advances in Multicore Systems 3 Juurlink SS E 4

Recent Advances in Computer Architecture 3 Juurlink WS E 4

Hot Topics in Operating Systems and Distributed Systems 3 Heiß WS/SS E 4

Hot Topics in Next Generation Networks and Future Internet 3 Magedanz WS/SS ? 4

CIT10: Aktuelle Themen aus dem Bereich der parallelen Datenverarbeitung 3 Kao WS/SS D 4



Fragen und Antworten

Was ist ein Track? Ein Track ist ein empfohlener Studienverlaufsplan, der eine bestimmte Ausrichtung vorgibt. Studierende,

die alle Anforderungen des Tracks erfüllt haben, bekommen ein Zertifikat der Fakultät IV, das ihnen

zusätzlich zu ihrem Abschluss weitere Fähigkeiten attestiert. Ein Rechtsanspruch auf die Ausstellung

eines solchen Zertifikates besteht jedoch nicht.

Wer kann den Track belegen? Zielgruppe des Tracks sind an der TU Berlin immatrikulierte Studierende der Studiengänge:

Informatik,

technischer Informatik

und Wirtschaftsinformatik.

Verlängert sich das Studium durch das belegen des Tracks? Nein, weder der Umfang der Semesterwochenstunden wächst, noch die Anzahl der Semester.

Ungeachtet dessen führt ein längerer Studienverlauf nicht zum Ausschluss aus dem Track. Lediglich die

Anzahl der benötigten Mentorentreffen steigt.

Version Autoren Datum Bemerkungen

Sommersemester 13

(Revision 1)

Schubotz, Moritz

Hemsen, Holmer

Markl, Volker

28.06.2013 Initiale Version

Fragen und Anmerkungen zu dem Track sind bitte an die E-Mail-Adresse [email protected] zu senden.

mailto:[email protected]

Documents

Data Analytics Track - eecs.tu-berlin.de€¦ · Data Analytics Track -Trackbeschreibung-Berlin, 28. Juni 2013 (Version SS13-R1) Seite 1/15 Fakultät IV Zusammenfassung: Der Data