Course structure and curriculum

Structure

The DS&AI course is a two-year master's program. Both years are divided into semesters that run from September to January and from February to July. There are two quartiles of eight weeks in each semester in which you take courses. Your knowledge is tested in examination periods of two to three weeks.

Students follow a core program and specialization courses, special electives, and professional development modules. There is room for an internship or an international exchange in your free elective space. When you return to the TU/e, you start your final graduation phase.

Curriculum

You start building your program by following mandatory core courses to lay the foundation of your degree. The DS&AI master is organized in seven course trajectories. Each of them represents an expertise area of Data Science and Artificial Intelligence.

Data Science and AI in Context

As an engineer working in data science and artificial intelligence, you will encounter societal, ethical, and domain-specific issues. The courses in this trajectory expose you to these issues and teach you how to address them when designing new solutions.

Data Management and Engineering

Data Management Systems (DMS) provide fundamental, underlying infrastructures to identify and extract value from data for organizations and society. The courses in this trajectory teach you about the foundations, applications, and engineering of next-generation data and knowledge management methods and systems.

Algorithmic Data Analysis

Algorithms play an undeniable role in data science: they enable efficient and automated data handling, analysis, and visualization. In this trajectory, you will learn how to develop algorithmic solutions for high-quality data analyses and for making optimal recommendations in a verifiable and explainable manner. A broad set of algorithmic tools is an essential part of data scientist's repertoire. 

Process Mining and Visual Analytics

The actual analysis or (prediction) problem you need to solve is typically unknown at the start of a project, while the solution requires a valid and explainable integration of domain knowledge, data, and models. The courses in this trajectory equip you with the mindset, foundational knowledge, and engineering skills to achieve this with two unique specializations available only at TU/e: Visual Analytics and Process Mining. 

Statistics

The statistics track provides rigorous methods and models for summarizing data of various phenomena into understandable features that have a direct impact on and enable the interpretation of real-world situations. The courses in this trajectory teach you a broad range of statistical methods to analyze and model temporal and big data sets, and how statistical methods can be used to learn from this type of data. 

Data Mining and Machine Learning

Within Data Mining and Machine Learning, you study the foundations and practical approaches of knowledge extraction from vast collections of complex data. This trajectory focuses on data mining and machine learning approaches and techniques to develop extremely prevalent, end-to-end solutions for algorithmic decision making. You probably already use them multiple times a day without even knowing it!

AI and Machine Learning

This track involves the study of algorithms that improve through experience. The courses involved teach you the main techniques and approaches in modern AI, with an important focus on solutions that are not only accurate but, most of all, efficient, reliable, interpretative, robust, and trustworthy.

In your specialization electives, you opt for at least two of these expertise areas, taking several courses in each. You then broaden your specialization by selecting courses from one or two other DS&AI trajectories that become your 'minor'. These courses help prepare you for your graduation phase.

The program ends with a research project in which you prove yourself as an engineer in Data Science and Artificial Intelligence. During the project, you use what you have learned and the skills you have developed to create new knowledge and designs. You will specialize in a single subject and demonstrate that you are able to organize a research project independently. 

For a more in-depth breakdown of the course curriculum, click here. 

Data Science and AI in Context

Als ingenieur werkzaam in data science en artificial intelligence kom je maatschappelijke, ethische en domeinspecifieke vraagstukken tegen. De vakken in dit traject stellen je bloot aan deze kwesties en leren je hoe je ze aan kunt pakken bij het ontwerpen van nieuwe oplossingen.

Data Management en Engineering

Data Management Systemen (DMS) bieden fundamentele, onderliggende infrastructuren om data te identificeren en waarde te halen uit data voor organisaties en de samenleving. De vakken in dit traject leren je over de fundamenten, toepassingen en engineering van de volgende generatie data- en kennismanagementmethoden en -systemen. 

Algorithmic Data Analysis

Algoritmen spelen een onmiskenbare rol in data science: ze maken efficiënte en geautomatiseerde dataverwerking, -analyse en -visualisatie mogelijk. In dit traject leer je algoritmische oplossingen ontwikkelen voor hoogwaardige data-analyses en voor het geven van optimale aanbevelingen op een verifieerbare en verklaarbare manier. Een brede set algoritmische tools is een essentieel onderdeel van het repertoire van een data scientist.

Process Mining and Visual Analytics

Het eigenlijke analyse- of (voorspellings)probleem dat opgelost moet worden, is meestal onbekend bij de start van een project, terwijl de oplossing een valide en verklaarbare integratie vereist van domeinkennis, gegevens en modellen. De vakken in dit traject rusten je uit met de mindset, fundamentele kennis en engineeringvaardigheden om dit te bereiken  met twee unieke specialisaties die alleen aan de TU/e gegeven worden: Visual Analytics en Process Mining. 

Statistics

De statistiek specialisatie biedt rigoureuze methoden en modellen voor het samenvatten van gegevens van verschillende fenomenen in begrijpelijke kenmerken die een directe impact hebben op en de interpretatie van real-world situaties mogelijk maken. De vakken in dit traject leren je een breed scala aan statistische methoden om temporele en big data sets te analyseren en modelleren, en hoe statistische methoden kunnen worden gebruikt om van dit soort gegevens te leren. 

Data Mining en Machine Learning

Binnen Data Mining en Machine Learning bestudeer je de fundamenten en praktische benaderingen va kennisextractie uit enorme verzamelingen complexe gegevens. Dit traject richt zich op data mining en machine learning benaderingen en technieken om uiterst prevalente, end-to-end oplossingen voor algoritmische besluitvorming te ontwikkelen. Je gebruikt ze waarschijnlijk al meerdere keren per dag zonder het te beseffen!

AI en Machine Learning

Dit traject omvat de studie van algoritmen die verbeteren door ervaring. In de vakken leer je de belangrijkste technieken en benaderingen in moderne AI, met een belangrijke focus op oplossingen die niet alleen accuraat zijn, maar vooral ook efficiënt, betrouwbaar, interpretatief, robuust en betrouwbaar.

Bij je specialisatiekeuzevakken kies je voor ten minste twee van deze specialisaties, waarbij je in elk ervan meerdere vakken volgt. Vervolgens verbreed je je specialisatie door vakken te kiezen uit één of twee andere DS&AI-trajecten die je 'minor' worden. Deze vakken bereiden je voor op je afstudeerfase.