d1287

Dann verdien ich aber mehr als du ;) Um wieder sachlicher zu werden... Ich habe nachgebohrt, weil ich ein Jura+MBA+DS Profil sehr ungewöhnlich finde. Ich hätte dich auch als absoluten Generalisten eingeschätzt, weil du einfach nicht die Zeit hast in den drei Bereichen Experte zu werden. Für Schnittstellenjobs, wie Strategieberatung, Legal Tech, Product Management, etc. kann das aber ein interessantes Profil sein. Da macht der IUBH Master durchaus Sinn, weil man das DS Vokabular lernt und ein bisschen Ahnung von Data Science hat. Du lernst wahrscheinlich nicht mehr, wie aus einem Udemy oder Coursera Kurs, aber du hast zumindest einen formellen Nachweis. Findet man mit dem IUBH Master alleine einen Job als Data Scientist? Nein, auf gar keinen Fall, den dafür ist der Master zu oberflächlich und die Inhalte zu dünn. Das war der Kernpunkt meiner Kritik. Wenn man Data Scientist werden möchte, sollte man den IUBH Master nur machen, wenn man... (1) viel Hintergrundwissen mitbringt und nur auf den Abschluss aus ist (2) viel Eigeninitiative mitbringt und bereit ist, sich das wirklich relevante Wissen selbst beizubringen.

Ok, das ist echt creepy. f1337 kann man zumindest noch als "fleet" lesen. Bei meinem User hab ich einfach random was eingetippt, um anonym zu bleiben xD Also, wir sind zwei verschiedene Personen, die rein zufällig ziemlich viel gemeinsam haben xD Falls sich jemand fragt, warum VWLer so auf Data Science stehen... Ganz einfach, die Data Scientists stehlen uns die Show. Ein substantieller Teil des VWL Studiums ist Ökonometrie (Statistik), man lernt programmieren mit R oder Stata und kennt sich gut mit Daten aus. Davon unabhängig ist Data Science entstanden, wobei es viele inhaltliche Überschneidungen zur Ökonometrie gibt. Leider wissen das die meisten Personaler und ITler nicht, wodurch unsere Lebensläufe meist die erste Runde nicht überstehen. Deshalb sind diese MSc Data Science ganz attraktiv für ein "Rebranding". Also Hut ab, wenn du mehr Gehalt bekommst für das Anhäufen von Titeln. Bei meinen Jobs war das bisher so, dass sich die Bezahlung an Skills und Aufgaben orientiert, während das Studium nur ein Häckchen auf irgendeiner Liste von einem Personaler war. Hätt ich doch mal Unternehmensberater werden sollen. Neugierig bin ich, was du mit Profilschärfe meinst. Ich meine, du bist schon Jurist / MBA und bald Data Scientist. Was strebst du an? -- Sonst, was ist aus mir geworden, nachdem ich vor paar Wochen das IUBH Studium beendet habe? Ich hab mich entschlossen, keinen Master mehr in Data Science zu machen. Mittlerweile hat ja jede Wald und Wiesen Uni/FH einen eigenen DS Master, deshalb dürfte in 2-3 Jahren Data Science auch in Deutschland ziemlich crowded werden. Spätestens da braucht man dann Skills, statt nur ein Papier. Deshalb werd ich das Geld jetzt einfach in was cooles investieren... ein Rennrad, eine Fotoausrüstung, Reisen (irgendwann wieder?), gebrauchten Van... :)

Wow, mein Review haben sich Leute durchgelesen :D Herzlichen Dank für die Antworten! Die beste Lösung ist wirklich selbst das Studium auszuprobieren und sich die Skripte im Probestudium durchzulesen. Man hat 4 Wochen Zeit und kann sich entscheiden, ob man weiter machen will oder nicht. Leider sind die Skripte urheberlich geschützt, sonst hätte ich ein paar Screenshots gemacht. Wie die Vorposter erwähnten, habe ich ein Vorwissen zu Data Science. D.h. ich kenne das Vokabular und die theoretischen Konzepte, hab ein paar Tutorials mit Scikit und Keras gemacht, auf Kaggle die Titanic Challange ausprobiert, etc. Das Vorwissen kommt aus den Büchern Hands-on Machine Learning von Géron und Deep Learning for Coders von Howard. Die Bücher hab ich durchgearbeitet und die Beispiele ausprobiert, aber ich hab nicht wahnsinnig viel Zeit investiert - mir ging es erstmal um den Überblick. Erstmal nass werden, bevor man den Sprung ins kalte Wasser macht. Jetzt ist die Frage, was man sich von einem MSc Data Science erwartet. Ich find die Idee super, den Master als Framework zu betrachten, man lernt die relevantesten Konzepte und hat am Ende ein Papier in der Hand. Genau das ist der IUBH Master, das trifft es zu 100% auf den Punkt. Auf keinen Fall darf man sich erwarten, zum Schluss ein Experte zu sein - damit fällt man auf die Nase. Um das Selbststudium kommt man also nicht herum, wenn man wirklich Ahnung vom Fach haben will. In meinem ersten Post habe ich ja das Thema AutoML angeschnitten: Wenn man als Data Scientist in der Zukunft relevant bleiben will, dann muss man als DS mehr anbieten können, als nur ML Algorithmen zu kennen und model.fit() in jupyter programmieren zu können. Pluspunkt für die IUBH, den mit Kursen wie Use Case Evaluation, Big Data Technology und Software Engineering werden die richtigen Akzente gesetzt. Wer also damit leben kann, dass der Master eher als Framework gedacht ist und manche Skripte etwas zu oberflächlich sind, für den bietet die IUBH ein gutes Value Proposal. Alleine schon die Möglichkeit der flexiblen Prüfungstermine, alles online und Fächer nicht parallel lernen zu müssen, rechtfertigen die Kosten. Es braucht ja eine gewisse Infrastruktur die Flexibilität überhaupt anbieten zu können. Wie gesagt, ich hätte mir inhaltlich mehr erwartet, weshalb ich dennoch nach Alternativen suche. Aber ich versteh auch jeden, der sich für die IUBH entscheidet.

Hallo Miteinander, Coronabedingt wollte ich die Lockdowns für eine Weiterbildung nutzen und bin dabei auf den MSc Data Science an der IUBH gestoßen. Vor ein paar Tagen ging das Studium auch schon los - ich werde aber das Studium noch im Probemonat abbrechen. Kurz zu mir: Ich habe einen Master in VWL von einer staatlichen Uni und arbeite in einem "Data Science"-nahen Bereich. Deshalb hatte ich Interesse an einer praktische Ausbildung in DS mit formalen Abschluss (im Vgl zu Udemy, edx, etc.). Erster Eindruck: Die IUBH möchte die DS und AI Hype Welle reiten - absolut nicht verwerflich. Zur Zeit schießen an vielen Hochschulen die DS Master wie Pilze aus dem Boden. Allerdings ist das IUBH Curriculum doch recht ernüchternd und eher oberflächlich. Die wichtigsten Fakten werden behandelt, dafür gibt es wenig Beispiele, keine ausführlichen Erklärungen und oft fehlt einfach der Kontext. Irgendwie wirken die Skripte und die Videos lustlos, so als würde man knappe Zusammenfassungen lesen. Potentielle Fragen und Probleme, die der Leser haben könnte, werden maximal in einem Nebensatz behandelt. Wie gesagt, der Fokus liegt auf Faktenwissen, ohne allzuviel Diskussionen oder Herstellung vom Kontext. Über den Webreader hat man an der IUBH Zugriff auf alle Skripte, hier mal ein paar Beispiele und Kommentare, um sich ein Bild machen zu können: Advanced Mathematics: Integrieren und Differenzieren ist auf Abitur Niveau, gute Wiederholung. Von da an, geht das Skript ziemlich schnell bergab. Vektoren, Vektorfelder, Fouriertransformationen werden halbwegs verständlich erklärt und mit Beispielen aus der Physik motiviert - der Bezug zu Data Science fehlt. Der lineare Algebra (Matrixalgebra) Teil ist knapp und die Formeln hingeklatscht, ohne Beispiele und Anwendung. Bsp: Tensoren (wichtig für Deep Learning) werden definiert, aber kein Bezug zu Machine learning hergestellt, zB 5d Tensor = Video Daten. Machine Learning: Die traditionellen ML Algorithmen werden durchgekaut. Klassische Algorithmen wie Lineare Regression, Logistische Regression, Clustering, etc. werden anschaulich erklärt. Python Code ist dabei, allerdings in Schwarz-Weiß ohne Syntax Highlighting. Zu Decision Trees, Random Forest und Gradient Boosting Machines hätte ich mir mehr Inhalt gewünscht, weil da nur an der Oberfläche gekratzt wird – obwohl diese ML Algorithmen in der Praxis besonders gut performen. Xgboost wird gar nur in einem Satz erwähnt, Code Beispiele fehlen. Kontext, wie man welches Model wählt, ein Vergleich von Methoden, oder Diskussion über AutoML fehlt. Die Themen werden aber zum Teil in anderen Kursen behandelt, zB Use Case Evaluation oder der Case Study. Deep Learning: Definitiv eines der besseren Skripte. DL ist die Königsdisziplin und wird stark gehypt. Die relevantesten theoretischen Konzepte werden behandelt (Minibatch, Epochs, Stochastic Gradient Descent, Overfit, Activation Function…) und diesmal steht der Code im Vordergrund. Als Framework wird Tensorflow und Keras genutzt. Auch diesmal gibt es kein Code Highlighting, sondern nur Monoschrift. Bei manchen Beispielen ist die typischen Python Einrückung (Tabs) komisch. Praktischere Themen sind auch dabei, zB vor-trainierte Modele nutzen, Dropout Layer um overfitting zu vermeiden, CNNs für Bilder, etc. Alles in allem ein solides einführendes Skript (94 Seiten). Wer sich für stark für DL interessiert, der sollte den AI Master machen, da ist NLP und Computer Vision dabei, die auf Deep Learning basieren. Fazit: Wer berufstätig ist, die Flexibilität braucht und gute Vorkenntnisse hat (Kaggle, Selbststudium), kann hier sehr schnell einen formalen Abschluss erhalten. Das Studium kann ich auch empfehlen, für alle, die nicht unbedingt als Data Scientists arbeiten möchten - aber trotzdem ein Überblickswissen brauchen. Mir persönlich fehlt die inhaltliche Tiefe für den recht hohen Preis, insofern passt das Preis-Leistungsverhältnis nicht ganz. Auf jeden Fall empfehle ich einen Probemonat zu machen, bevor man sich entscheidet. Und hoffentlich verbessert die IUBH ihr Curriculum.