Beim Bachelor-Studiengang Data Science & AI sagen wir: adieu Vorlesungen, willkommen flexibles, vernetztes und praxisnahes Lernen!
Community
Bei uns zu studieren heisst, Teil einer lebendigen Community zu werden – verbunden durch ein gemeinsames Ziel: in einer angenehmen Atmosphäre gemeinsam viel zu lernen und dabei auch noch Spass zu haben.
Dienstags und donnerstags sind die offenen Arbeitszonen des Studiengangs randvoll: Unsere Studierenden sitzen Schulter an Schulter – manchmal vertieft in ein gemeinsames Projekt, manchmal ganz für sich im Lernflow. Taucht eine Frage auf? Oft sind es die Mitstudierenden, die als erste zur Stelle sind und falls doch mal niemand weiterweiss, kann es gut sein, dass ein Floor Coach oder Dozent*in am Nachbartisch sitzt und dir weiterhelfen kann.
Viele unserer Studierenden engagieren sich aktiv im Studiengang und gestalten ihn mit – so bleibt er lebendig und entwickelt sich stetig im Sinne der Studierenden weiter. Und das oft sogar über das Studium hinaus: Einige Alumni bleiben der Community treu und bringen sich als Floor Coaches, Challenge Coaches oder auf andere Weise ein.
Unser Campus ist das Herzstück des Studiengangs – aber die Community lebt auch darüber hinaus. Unsere Studierenden aus Basel treffen sich auch dort, genauso wie die aus Bern oder anderen Städten.
Lernen bei uns bedeutet nicht nur konzentriertes lernen, sondern gemeinsam eine gute Zeit haben: gemeinsames Mittagessen, Kaffeepausen, eine Runde Footvolley oder ein spontanes Mario-Kart-Turnier? Yes, please. Zudem organisiert der Studiengang viele informelle Anlässe – vom wöchentlichen Handshake Coffee über die Data Science Nights bis hin zum jährlichen Grillplausch. Dort begegnen sich Studierende, Coaches und Dozierende auf Augenhöhe – ungezwungen und persönlich.
Praxisbezogen
Wissen allein reicht nicht, man muss es auch anwenden können. Deshalb kannst du im Data Science & AI-Studium pro Semester ein bis zwei Challenges oder Projekte – bis zu einem Drittel deiner Studienleistung – zu angewandten Fragestellungen im Team bearbeiten. Was du in den Modulen lernst, wird so vernetzt und realitätsnah angewendet, so wie es auch im Berufsleben der Fall sein wird. In Challenges und Projekten bearbeitest du:
- Fragestellungen von Wirtschaftspartnern
- Fragestellungen von Dozierenden, realitätsnah und auf den Studienstand zugeschnitten
- deine eigenen Fragestellungen, aus Job, Hobby oder Leidenschaft
Data-Science-Studierendenprojekte – Worum geht es?
Beispiele von Projekten und Challenges
1. Studienjahr
- Klimadaten Story
Studierende entwickeln eine neue Website, die Daten zur Entwicklung extremer Klimaereignisse (Starkniederschläge, Dürren, Stürme, Waldbrände, Überschwemmungen,...) in deiner Region übersichtlich und allgemeinverständlich darstellt. - Logistikkosten verstehen
Seit dem Outsourcing-Entscheid steigen die Logistikkosten im Unternehmen kontinuierlich an. Der Auftraggeber möchte Transparenz über die Kostentreiber schaffen, um geeignete Cross-Selling-Massnahmen ergreifen zu können. - Crossselling in Banking
Die Studierenden analysieren Kunden- und Transaktionsdaten einer Bank mit dem Ziel, zusätzliche passende Produkte für bestehende Kunden zu identifizieren. - Steinschlagrisiko
Entlang einer Alpenstrasse haben sich wiederholt kleinere Steinschlagereignisse ereignet und die Behörden fragen sich, ob das Risiko für die Verkehrsteilnehmenden tragbar ist. Mit Hilfe einer datenbasierten Risikoberechnung geben die Studierenden die Antwort. - Wettermonitor für Segler*innen
Die Studierenden erstellen auf einem Raspberry Pi einen Wettermonitor, auf dem die Segler*innen die Wetterdaten und -prognosen für die nächsten Stunden ablesen können.
2. Studienjahr
- Wie viel ist mein Haus wert?
Die Studierenden erstellen ein Machine-Learning-Modell, das den Wert einer Immobilie anhand einiger weniger Merkmale schätzen kann. - Tinder for Movies
Wir kennen es von Netflix und YouTube: Ein Algorithmus schlägt uns aufgrund unserer Vorlieben Filme vor. Im Tinder for Movies setzen Studierende genau das um. - Video Based Tennis Training
Aus Videos von Tennis-Trainings und -spielen werden Daten zur Ball- und Spieler*innenbewegung extrahiert, statistisch ausgewertet und visualisiert, um das Training von jungen Spieler*innen zu verbessern und zu individualisieren.. - Shared Mobility
In Zusammenarbeit mit einer Forschungsgruppe analysieren Studierende die Nachfrage nach Shared Mobility Services in Schweizer Städten mit dem Ziel, das Angebot zeitlich und räumlich differenziert auf die Nachfrage abzustimmen. - Café, mon amour!
Für den Kaffeemaschinenhersteller Thermoplan analysieren Studierende die Kaffeevorlieben in verschiedenen Ländern, um die Produkte bestmöglich darauf abzustimmen. In einem weiteren Projekt für den gleichen Kunden erstellen die Studierenden einen Predictive Maintenance Algorithmus, um die Wartung der Kaffeemaschinen zeitlich zu optimieren.
3. Studienjahr
- Deep Learning in the Wild
Studierende entwickeln einen Deep Learning Bilderkennungsalgorithmus, der Wildtiere auf Fotos erkennt und kategorisiert. - MRI to CT
In Zusammenarbeit mit dem Universitätsspital Zürich entwickeln die Studierenden ein Diffusion-Modell, das es erlaubt, ein MRI-Bild präzise in ein CT-Bild zu übersetzen. - Mobility Sensor Data
Die Studierenden erstellen ein Deep-Learning-Modell, das anhand der Bewegungsdaten ihres Mobiltelefons erkennt, welche Aktivität sie gerade ausführen. - Knochenbruch erkennen
Studierende entwickeln für ein Spital in Liestal ein Deep-Learning-Modell, das Knochenbrüche auf Röntgenbilder erkennt.
Flexibel
Im Studiengang Data Science & Artificial Intelligence kannst du dein Studium nach deinen Bedürfnissen gestalten. Dank der flexiblen und praxisorientierten Studienform mit wenig Unterricht und viel individuellen Lernwegen, unterstützt von einem einzigartigen Coaching-Programm. Erlebe unsere modernen Lernräumlichkeiten und die informelle Studiengangkultur auf Augenhöhe - so macht Studieren Spass!
- Es gibt keine fixen Semesterpläne, die alle absolvieren müssen, dafür flexible Modulwahl (das einzige Pflichtmodul ist die Bachelor-Thesis); die meisten Module werden jedes Semester angeboten. Du kannst inhaltliche Schwerpunkte individuell gestalten.
- Du wählst Lernzeit, Lernort und Lerntempo selber. Dank einer digitalen Lernplattform mit Lernmaterialien, Informationen und Forum kannst du flexibel lernen.
- Es gibt wenige Module mit regelmässigen Vorlesungen, dafür viele Workshops und fakultative Kontaktstunden, in denen du dich wöchentlich mit den Dozierenden und Coaches austauschen kannst.
- Grundsätzlich musst du wenige Pflichttermine wahrnehmen. Unsere Studierenden kommen durchschnittlich zwei Tage pro Woche an den Campus: für den Austausch mit Mitstudierenden und Dozierenden, für Kontaktstunden und für Workshops.
- Einen Grossteil der Aufgabenstellungen wirst du mit anderen Studierenden zusammen bearbeiten, um regelmässig mit- und voneinander zu lernen. Dazu stehen dir geeignete Lernräume und offene Co-working-Zonen sowie eine digitale Lernplattform zur Verfügung.
Du kannst den BSc Data Science & AI im Vollzeit- oder Teilzeitstudium absolvieren. Die Regelstudiendauer beträgt im Vollzeitmodus drei Jahre, bzw. sechs Semester. Ein Vollzeitstudium entspricht einer Vollzeitbeschäftigung und ist nicht vereinbar mit einer beruflichen Tätigkeit. Im Teilzeitmodus musst du je nach Studienpensum mit vier bis sechs Studienjahren rechnen. Wir empfehlen, ein Mindestpensum von 50% fürs Studium einzuplanen. Du kannst jedes Semester von Neuem entscheiden, ob du Teilzeit oder Vollzeit weiter studieren willst. Um das Studium erfolgreich zu absolvieren ist es wichtig, dass du deine beruflichen oder privaten Verpflichtungen flexibel organisieren kannst.
Individuelles Coaching
Was man sich sonst zu Beginn der Arbeitslaufbahn eigenständig und mühsam aneignen muss, ist bei uns Teil des Studiums: Unsere erfahrenen Coaches unterstützen dich persönlich in der Weiterentwicklung von Selbstkompetenz, Sozialkompetenz, Leadership und Laufbahngestaltung. Geht mal wieder alles drunter und drüber? Auch bei Herausforderungen unterstützen unsere Coaches gerne.
Unsere Coaching-Haltung
Die Zusammenarbeit zwischen den Studierenden und den Coaches basiert auf Wertschätzung, Verlässlichkeit und Transparenz. Die besprochenen Inhalte werden von beiden Seiten vertraulich behandelt. Die Zusammenarbeit mit den Coaches erfolgt vor allem in der Form von Einzelcoachings. Die selbstständige Auseinandersetzung mit ausgewählten Themen sowie der Austausch mit anderen Studierenden (Peers) ergänzt das Coaching.
Lernen zu lernen
Das Lernkonzept des Studiengangs Data Science & AI stellt die Fähigkeit zum lebenslangen Lernen in den Mittelpunkt. Das bedeutet, dass du befähigt wirst, schnell und bedarfsgerecht zu lernen – auch nach dem Studium. Das ist gerade in einem Bereich wie Data Science, in dem es fast täglich neue Entwicklungen gibt, besonders wichtig.
Um lebenslang zu lernen und in einer sich verändernden Arbeitswelt zu bestehen, solltest du unter anderem …
- lernen, selbständig zu lernen
- relevante Fragestellungen formulieren und das eigene Wissen gezielt weiterentwickeln können
- neue Fertigkeiten aufbauen, die deine Arbeit nicht automatisierbar machen
Interdisziplinär
- Als Data Scientist arbeitest du immer mit Fachspezialist*innen aus anderen Disziplinen zusammen und dazu braucht es die richtigen Fähigkeiten. Unser Lernkonzept ermöglicht den Erwerb von Future Skills: Ob Kommunikation und Zusammenarbeit, Kreativität oder kritisches Denken – in einzelnen Modulen wie auch in grossen Teamarbeiten findest du verschiedene Möglichkeiten, diese so wichtigen Fähigkeiten weiterzuentwickeln.
- In Challenges und Projekten lernst du, dich in andere Fachgebiete und Domänen einzudenken und zu verstehen, was relevante Aspekte sind und wie du aus den Daten den grössten Nutzen erzeugen kannst.
