Data Science

Das Zertifikatsprogramm “Data Science” ist darauf ausgerichtet, Ihnen ein fundiertes Verständnis moderner computergestützter Methoden zur Analyse, Vorhersage und Visualisierung von Daten zu vermitteln. Durch eine Kombination aus theoretischen Konzepten und praktischer Anwendung erlernen Sie grundlegende statistische Prinzipien, breit einsetzbare statistische Methoden, moderne Vorhersagemethoden aus dem maschinellen Lernen sowie Optimierungs- und Randomisierungswerkzeuge. Das Programm zielt darauf ab, Ihnen die Fähigkeiten zu vermitteln, große datenanalytische Probleme zu lösen und fundierte Entscheidungen auf der Grundlage von Daten zu treffen.

Programm:	Data Science
Abschluss:	Nach erfolgreicher Abschlussprüfung erhalten die Teilnehmenden ein Zertifikat der Technischen Universität München.
Akademische Verantwortung:	Prof. Dr. Matthias Scherer, Chair of Risk and Insurance, TUM Prof. Dr. Mathias Drton, Chair of Mathematical Statistics, TUM
Zielgruppe:	Fachexpert:innen, die ihr Fachwissen im Bereich Data Science ausbauen oder vertiefen möchten, z. B. weil sie derzeit eine Position als Data Scientist/Analyst in der Beratung, im Finanz-, Versicherungs- oder Technologiesektor innehaben oder anstreben.
Teilnahmegebühren:	3.500 Euro*
Sprache:	Englisch
Rabatte:	10% Rabatt für TUM Alumni. Für Mathematik-Promovierende an der TUM gelten andere Bedingungen.
Termine:	Sommer 2025
Studienort:	München bei Garching & Online
Format & Zeitplanung:	Berufsbegleitend, Präsenz & digital, 6 Tage in 4 Wochen
Zugangsvoraussetzungen:	Teilnehmende sollten über eine fundierte Ausbildung in Mathematik, Informatik oder einem eng verwandten Bereich verfügen.

Prof. Ph.D. Claudia Czado, Chair of Applied Mathematical Statistics/ MDSI, TUM	Prof. Dr. Mathias Drton, Chair of Mathematical Statistics/ MDSI, TUM
Dr. Stephan Haug, Chair of Mathematical Statistics, TUM	Prof. Dr. Blanka Horvath, Chair of Mathematical Finance/ MDSI, TUM
Prof. Dr. Oliver Junge, Chair of Numerics of Complex Systems, TUM	Prof. Dr. Felix Krahmer, Chair of Applied Numerical Analysis/ MDSI, TUM
Prof. Dr. Christina Kuttler, Chair of Mathematics in Life Sciences, TUM	Cláudio Mayrink Verdun, Chair of Applied Numerical Analysis, TUM
Prof. Dr. Matthias Scherer, Chair of Risk and Insurance, TUM	Prof. Dr. Elisabeth Ullmann, Chair of Scientific Computing and Uncertainty Quantification, TUM
Prof. Dr. Michael M. Wolf, Chair of Mathematical Physics, TUM

Modul 1: Computing with Data

• An introduction to R, R Studio, and tidyverse
• Data management
• Data visualization
• Creating reports with markdown toolsR interfaces with other languages (julia, python)

Modul 2: Statistical Foundations of Data Science

• Designing experiments and modeling data
• Linear regression
• Likelihood and Bayesian inference
• High-dimensional regression

Modul 3: Teil I: Basics of Supervised Learning

• Generative and discriminative approaches to classification and regression
• Logistic regression
• Generalized linear models
• Classification with logistic regression and discriminant analysis

Modul 3: Teil II: Basics of Unsupervised Learning

• Unsupervised Learning
• Clustering with k-means/k-medians, mixture models, stochastic block/ball models
• Dimension reduction with PCA/SVD
• Manifold Learning
• Autoencoders

Modul 4, Teil I: Predictive Approaches in ML

Kernel methods:

• support vector machines,
• Gaussian processes
• Decision trees

Ensemble methods:

• boosting and random forests

Modul 4, Teil II: Predictive Approaches in ML

Neural networks and deep learning:

• Training neural nets
• Approximation theory
• Network architectures

Reinforcement learning:

• Markov decision processes
• deep RL

Modul 5: Optimization and Randomization for Large-Scale Data Analysis

• Non-linear optimization
• Convex optimization
• Stochastic gradient methods
• Randomization and sketching

Modul 6: Case Studies & Final Exam

Presentation of case studies that exemplify applications in selected areas:

• Financial and Actuarial Math
• Examples from TUM Data Innovation Lab
• BioTech.

Assessment of your participation in the program in a pass/fail exam