Super Antwort vom Vorposter. Denke die grobe Bezeichnung "Data Science = angewandte Info, Statistik = angewandte Mathe" triffts ganz gut, wenn man von solchen Masterstudiengängen wie "Mathematics in Data Science" an der TUM mal absieht.
Meiner Erfahrung nach reicht ein Data Science Master für die meisten BI Tätigkeiten vollkommen aus. Je anspruchsvoller der Job, desto mehr wird sich aber eine solide Ausbildung in Statistik bezahlt machen. Im Programmieren wirst du zwangsläufig immer besser on the job, mit den mathematischen Grundlagen wirst du aber höchstwahrscheinlich nur noch selten konfrontiert. Diese zu verstehen, wird dir aber auf lange Sicht helfen, z.B. wenn du im Research (Bio-Tech, quant. Research im AM, natürlich Tech Firmen, ...) einer Firma arbeitest und immer wieder mit Fachartikeln konfrontiert bist.
Ich denke, kurzfristig ist definitiv der Mehrwert eines DS Masters greifbarer. Auf lange Sicht, und mit höherer Komplexität der Tätigkeit, wird sich ein Statistik Master allerdings bezahlt machen. Aber wie auch schon ein Vorposter schrieb, das alles lässt sich nur bedingt verallgemeinern - gerade bei Data Science gibt es sehr starke Unterschiede.
WiWi Gast schrieb am 01.12.2022:
Ich habe einen Master in Statistik gemacht und habe mir on-the-job die Informatik Skills angeeignet, sprich: Datenbanken, 2. Programmiersprache, IT-Sprech, usw. Abgesehen von Datenbanken, Rechenpower etc. ist Data Science, Statistik in einem neuen gewandt. Lineare Regression ist heute supervised learning und unabhängige Variablen werden Features genannt.
Der unterschied zwischen den einzelnen Data Science Studiengängen derzeit ist ernorm. Manche sind angwandt, manche mathematischer und andere (und doch einige muss man sagen, in DE..... absoluter Müll). Deshalb sollte man sich die Modulhandbücher immer genau anschauen bevor man sich einschreibt!
Die Unterschiede zwischen einem M.Sc. in (angewandter) Statistik und Data Science sind da durchaus deutlicher: Statistik ist (angewandte) Mathematik. In den Studiengänge geht es um das mathematische Beweisem, Eigenschaften von Schätzfunktionen herleiten oder numerische Optimierung. Weiterhin wird dort die Mathematik hinter der Zeitreihenanalyse oder mathematische Statistik bzw. statistische Theorie vermittelt. Kurzum: Das sind äußerst knackige Fächer. Programmiert wird i.d.R. mit der Programmiersprache R. Im Nebenfach hat man dann die Möglichkeit Informatik o.ä. zu belegen, was im Fall des TE sehr sinnvoll wäre.
In den gängigen Data Science Studiengängen geht es dann schon angewandter bzw. greifbarer/weniger abstrakt vor. Dort steht dann Programmierung, Rechnerarchitekturen, IT- und Datensicherheit, Machine und Deepl-Learning in ihrer Anwendung, auf dem Plan. Im Statistik Master wird das maschinelle Lernen dann oft unter dem Namen statistisches Lernen unterrichtet, was dann wiederum die Mathematische Variante des ML und Deep-Learnungs ist.
Fazit: Data Science= IT-Anwendung,
Statistik = (angewandte) Mathematik
antworten
