Mathematics of Machine Learning and Data Science

Der M.Sc. Mathematics of Machine Learning and Data Science an der Ruprecht-Karls-Universität Heidelberg ist ein englischsprachiger Masterstudiengang, der mathematische Grundlagen konsequent mit den Forschungsfeldern Maschinelles Lernen und Datenwissenschaft verknüpft. Er richtet sich an Absolventinnen und Absolventen der Mathematik oder verwandter mathematisch geprägter Fächer wie Physik oder Scientific Computing und verlangt einen Bachelorabschluss mit einer Abschlussnote von 2,3 oder besser. Die Bewerbung ist einmal jährlich für das Wintersemester möglich (Bewerbungszeitraum Februar bis Mitte März).

Das Pflichtcurriculum umfasst 28 LP in drei Pflichtmodulen: Eine Ringvorlesung führt Studierende zu Beginn in aktuelle Forschungsthemen der mathematischen KI-Grundlagenforschung ein und schafft einen Überblick über das Forschungsfeld. Im Data Science Lab werden Methoden in konkreten Datenprojekten praktisch implementiert und kritisch analysiert — hier verbinden sich Theorie und Praxis. Ein Masterseminar zu Machine Learning and Data Science vertieft die Verbindung von mathematischer Theorie und aktueller Forschungsliteratur. Aus fünf Wahlpflichtmodulen (je 8 LP) werden drei gewählt: Geometric Methods for Machine Learning, High-Dimensional Numerics, Partial Differential Equations and Pattern Formation, Statistical Learning and Empirical Process Theory sowie Variational Methods and Numerical Optimization. Weitere 24 LP entfallen auf freie Wahlmodule aus dem gesamten Mathematikangebot der Fakultät. Masterarbeit (30 LP), Thesis-Colloquium (6 LP) und interdisziplinäre Schlüsselkompetenzen (8 LP) vervollständigen die 120 ECTS.

Das Programm zeichnet sich durch seine ausgeprägte mathematisch-theoretische Verankerung aus — ein Alleinstellungsmerkmal gegenüber rein informatikorientierten Data-Science-Programmen. Es ist eingebettet in das Heidelberger Exzellenzcluster STRUCTURES, das Themen aus Physik, Mathematik und Computerwissenschaft zusammenführt. Ein optionales Auslandssemester ermöglicht internationale Forschungserfahrung an Partneruniversitäten weltweit.

Absolventinnen und Absolventen sind für anspruchsvolle Positionen in Wissenschaft und Industrie qualifiziert, in denen tiefes mathematisches Verständnis von Lernalgorithmen, Optimierungstheorie und statistischer Modellierung gefragt ist. Typische Einstiegsfelder sind Data Science, algorithmische Forschung in Technologieunternehmen, Quantitative Finance und KI-Forschung und -Entwicklung. Für eine wissenschaftliche Laufbahn bietet der Studiengang eine exzellente Grundlage für eine Promotion in Mathematik, Informatik oder verwandten Disziplinen.