Der Anwendungsbereich vermittelt weitere fachspezifische Fähigkeiten zur praktischen Anwendung von Data Science und enthält auch Module anderer Fächer. Zusätzlich erlaubt der Bereich die Belegung von bis zu 10 LP in Schlüsselqualifikationen aus dem überfachlichen Pool der TU Braunschweig, sowie die optionale Projektarbeit in einem der Anwendungsfelder.
Insgesamt gibt es 4 vordefinierte Anwendungsbereiche: (1) Bild- und Signalverarbeitung (Image- and Singal Processing), (2) Medizin (Medicine), (3) Biologie, Chemie und Pharmazie (Biology, Chemistry and Pharmacy), sowie (4) Data Science in Engineering. Daneben ist es möglich, dass sich Studierende aus dem Angebot der Fächer der TU Braunschweig in Abstimmung mit dem Mentor (siehe Mentoring-Konzept) und dem Prüfungsausschuss eigene Anwendungsfelder und Schwerpunkte definieren.
(1) Bild- und Signalverarbeitung
Das Anwendungsfeld Bild- und Signalverarbeitung beschäftigt sich mit der intelligenten Analyse von Signalen jeglicher Form, seien es Videos oder Bilder, Biomedizinische Aufnahmen oder Sprachdialogsysteme. Diese bilden besondere Herausforderungen bedingt durch Form, Masse, Inhalt und erfordern spezialisierte Analyse- und Verarbeitungsalgorithmen.
Die Vielfalt an Wahlmöglichkeiten innerhalb des Anwendungsfeldes erlaubt es den Data Science Studierenden, sich gezielt zu spezialisieren und sich so bereits im Studium in dem dynamischen Umfeld der Bild- und Signalverarbeitung zu positionieren. Zu den Wahlmodulen gehören allgemeine Grundlagenmodule, wie Grundlagen der Digitalen Signalverarbeitung, Netzwerkinformationstheorie, Informationstheorie und Signalverarbeitung sowie die der gezielten Spezialisierung dienenden Module Mathematische Bildverarbeitung, Biomedizinische Bild- und Signalanalyse, Computer Vision und Machine Learning, Deep Learning in Remote Sensing sowie Sprachdialogsysteme.
Typische spätere berufliche Anwendungsfelder sind: Visuelle Datenanalyse, Anwendungsentwicklung für die Medizintechnik, sowie Design- und Grafikprogramme, auch für die Unterhaltungsindustrie (Visuelle Effekte, Computerspiele, Filmindustrie, 360° und 3D Videos), Medizin (medizinische Bildverarbeitung, digitale Operationsplanung), Automobilindustrie (Fahrerassistenzsysteme), industriellen Fertigung (visuelle Qualitätskontrolle) und der digitalen Fotografie.
Das Anwendungsfeld Bild- und Signalverarbeitung bietet hervorragende Jobaussichten in wachsenden Industriezweigen wie maschinelles Sehen, der optischen Industrie, medizinische Bildverarbeitung, Automobilindustrie und Mediendesign. Absolventen und Absolventinnen können sowohl als Softwareentwickler/Softwareentwicklerinnen in den oben genannten Branchen tätig sein, aber auch in Projektmanagement und Qualitätssicherung wirken. Sehr gute Chancen gibt es auch im Bereich der Start-Up Gründungen.
Modulübersicht:
- Biomedizinische Signal- und Bildanalyse (5 LP)
- Computer Lab Mustererkennung (5 LP)
- Computer Vision und Machine Learning (5 LP)
- Deep Learning for imaging in nano and quantum science (5 LP)
- Deep learning in remote sensing (5 LP)
- Digitale Signalverarbeitung (8 LP)
- Grundlagen der Digitalen Signalverarbeitung (5 LP)
- Machine Learning (5 LP)
- Mathematische Bildverarbeitung (10 LP)
- Netzwerk-Informationstheorie (6 LP)
- Sprachdialogsysteme (Spoken Language Processing) (5 LP)
(2) Medizin
Das Anwendungsfeld Medizin umfasst die strukturierte Organisation, Repräsentation und Analyse „medizinischer“ Daten. Die Weltgesundheitsorganisation WHO definiert Gesundheit und Wohlbefinden in den Bereichen Umwelt, Verhalten, Physiologie und Psychologie, so dass „medizinische“ Daten also nicht nur Laborwerte oder Blutdruckmesswerte umfassen, sondern auch Luftbelastungen, Klima oder Lebensstil. Messwerte und Daten können punktuell z.B. im Behandlungskontext gesammelt werden, zunehmend gewinnt aber auch ein kontinuierliches Monitoring von (Vital-)parametern an Bedeutung. Ziel ist es, Krankheitsentstehung zu erkennen und durch frühzeitiges Eingreifen die Krankheit zu vermeiden.
In diesem Umfeld bietet das Anwendungsfeld Medizinische Informatik eine Vielzahl von Wahlmöglichkeiten. In den medizinischen Fächern werden anatomische, physiologische und biochemische Daten vom gesunden und der kranken Menschen thematisiert. Hier haben die Data Science Studierenden Gelegenheit, das Berufsfeld von Ärzten und Krankenpflegern hautnah kennenzulernen. In den klinischen und methodologischen Vertiefungsfächern können die Studierenden 3D Ultraschallaufnahmen vom eigenen Körper erzeugen und verstehen lernen, sowie anhand von digitalen Mikroskopie-Bildern des Whole-Slide-Imaging-Verfahrens den Umgang mit großen Datenmengen erlernen.
Die Assistierenden Gesundheitstechnologien erfassen primär Bewegungs- und Umgebungsdaten, um hieraus Rückschlüsse über den Gesundheitszustand zu ziehen. Ebenso lernen die Studierenden, das strikte Reglement für die Durchführung klinischer Arznei- und Medizinproduktestudien auf ihre eigene, u.U. rein wissenschaftliche Arbeit zu übertragen, klare Hypothesen zu formulieren, adäquate Experimente zu designen, relevante Einflussfaktoren zu identifizieren und diese methodisch zu kontrollieren. Die Unfallinformatik umfasst schließlich den automatischen Informationsaustausch zwischen alarmgebenden Systemen, dem Rettungsdienst und den medizinischen Erstversorgern. Die Datenanalyse mit maschinellem Lernen kann an vielen Beispielen der medizinischen Signal- und Bildanalyse vertieft werden.
Modulübersicht:
- Assistierende Gesundheitstechnologien A (6 LP)
- Assistierende Gesundheitstechnologien B (5 LP)
- Ausgewählte Themen der Repräsentation und Analyse medizinischer Daten (5 LP)
- Biomedizinische Signal- und Bildanalyse (5 LP)
- Medizinisch-methodologisches Vertiefungsfach 1 (5 LP)
- Medizinisch-methodologisches Vertiefungsfach 2 (5 LP)
- Unfallinformatik (5 LP)
(3) Biologie, Chemie und Pharmazie
Durch technologischen Fortschritt im Bereich diverser Messtechniken werden in den Bereichen Biologie, Chemie und Pharmazie immer mehr Hochdurchsatzverfahren zu Datenerhebung eingesetzt. Dies hat eine Flut von molekularen Daten zur Folge, die ohne die Unterstützung durch computerbasierte Verfahren nicht mehr ausgewertet werden kann. Data Science wird in diesen Bereichen immer wichtiger.
Im entsprechenden Anwendungsfeld erhalten Studierende Einblicke in die Generierung von Molekulardaten im biologischen, chemischen, und pharmazeutischen Kontext. Das Verständnis der Datengenerierung ist unabdingbar sowohl zur sinnvollen Auswertung der Daten, als auch um überhaupt die Möglichkeiten der entsprechenden Datenerhebungen einordnen zu können. Denn obwohl viele Daten aus Data Science Perspektive sehr hilfreich wären, ist deren Erhebung oft kaum bis gar nicht möglich, wie beispielsweise bei Biopsien von gesunden Probanden zum Vergleich mit entsprechenden Gewebeproben von Patienten. Über die Datengenerierung hinaus konzentriert sich das Anwendungsfeld auf die Vermittlung von analytischen Methoden zum Verständnis umfangreicher Molekulardaten und biologischer Netzwerke. Dies umfasst maschinelle Lernverfahren zur Identifikation von Biomarkersignaturen und graph-basierte Ansätze, um in den Bereich der Systemmedizin vorzudringen.
Sowohl in der Forschung als auch in der Industrie mangelt es derzeit stark an Personal, das die umfangreich erhobenen Molekulardaten adäquat auswerten kann. Insbesondere besteht ein massiver Bedarf an fundierter, robuster Auswertung, um generalisierbare Einsichten aus den Daten ableiten zu können, die z.B. zu neuen Behandlungsmethoden führen können. Dies zeigt sich immer wieder in unerwartet hohen „Numbers needed to treat“, also dem Phänomen, dass ein Medikament oft nur bei einem Bruchteil der Patienten tatsächlich wirkungsvoll ist. Aus dieser Situation ergeben sich hervorragende Arbeitsmarktperspektiven für Absolvent*innen mit einer entsprechend gewählten Vertiefung.
Modulübersicht:
- Biophysikalische Chemie (8 LP)
- Biomolekulare Modellierungen (8 LP)
- CM-B-3 Aufklärung und Modellierung biologischer Strukturen (8 LP)
- Immunmetabolism (10 LP)
- Fortgeschrittene Theoretische Chemie (8 LP)
- Machine Learning in Computational Chemistry (8 LP)
- Netzwerkbiologie (5 LP)
- Theoretical Spectroscopy (8 LP)
- weitere Module werden in Kürze bekanntgegeben
(4) Data Science in Engineering
Im Bereich „Data Science in Engineering“ lernen die Studierenden Methoden der Data Science in unterschiedlichen Anwendungskontexten aus der Ingenieurwissenschaften anzuwenden und zu beurteilen. Dabei können die Studierenden sowohl Module belegen, welche den Einsatz von Methoden der Data Science in verschiedenen Kontexten des Ingenieurwesens aufzeigen, als auch Module, die grundlegende Methoden des Ingenieurwesens behandeln, um so mit der Begriffswelt und der methodischen Vorgehensweisen der Ingenieurwissenschaften vertraut gemacht zu werden.
Die Studierenden sollen in die Lage versetzt werden, die Modellierungskonzepte und -methoden in den Ingenieurwissenschaften zu verstehen, zu bewerten und geeignet anzuwenden, um in ingenieurwissenschaftlichen Problemstellungen kompetent Modelle auszuwählen und weiterentwickeln zu können. Mögliche Bereiche in den Ingenieurwissenschaften sind hierbei Strömungsmechanik oder Produktentwicklung im Maschinenbau oder Modellierungs- und Analysefragestellungen aus dem Bau- und Geoingenieurwesen.
Modulübersicht:
- Datengetriebene Material Modellierung (6 LP)
- Deep Learning in Remote Sensing (5 LP)
- Experimental Fluid Dynamics (5 LP)
- Fundamentals of Turbulence Modeling (5 LP)
- Grundlagen des Küsteningenieurwesens (6 LP)
- Introduction to Finite Element Methods (5 LP)
- Machine Learning (5 LP)
- Ökologische Modellierung (6 LP)
Präsentation "Application Area: Data Science in Engineering"
