Das Ziel des Doktoratsprogramms ist die gemeinsame Methodenausbildung der Doktorierenden im Schnittbereich zwischen algorithmischen und mathematischen Grundlagen der statistischen Datenanalyse und des maschinellen Lernens einerseits und den systemorientierten Grundlagen aus den Bereichen Datenbanken, Computer Netzwerke und High Performance Computing andererseits. Damit sollen Doktorierende die Grundlagen für die gesamte «Big Data Pipeline» erwerben, von der Datenerzeugung über die Speicherung und Verarbeitung bis hin zur anwendungsspezifischen Analyse der Daten und der Visualisierung der Resultate.

  • Stärkung der interdisziplinären Zusammenarbeit in den Big Data-Grundlagendisziplinen Mathematik und Informatik sowie ein enger Austausch mit angrenzenden Fachgebieten, insbesondere der Biologie.
  • Schaffung einer gemeinsamen Plattform für Doktorierende aus unterschiedlichen Fachbereichen und Departementen mit dem Ziel einer verbesserten Fachsozialisierung und Weiterbildung.
  • Erfahrungsaustausch durch gemeinsame Seminarreihen und jährliche Retreats
  • Schaffung eines international kompetitiven Forschungsumfelds, welches den rasanten Entwicklungen in den Bereichen statistische Datenanalyse, maschinelles Lernen und verteilte Systeme Rechnung trägt.
  • Gemeinsame Betreuung von Doktorierenden durch hochqualifizierte Experten aus verschiedenen Disziplinen

Im Rahmen des Doktoratsprogramms müssen mindestens 18 Kreditpunkte erworben werden.
Das Curriculum ist in drei komplementäre Module gegliedert:

ModulInhalte
Statistische Datenanalyse und maschinelles Lernen
  • Computergraphik (6 ECTS)
  • Foundations of Artificial Intelligence (8 ECTS)
  • Iterative Verfahren der Numerik (4 ECTS)
  • Machine Learning (8 ECTS)
  • Pattern Recognition (8 ECTS)
  • Numerik der partiellen Differentialgleichungen (8 ECTS)
  • Planning and Optimization (8 ECTS)
  • Probabilistic Shape Modelling (6 ECTS)
  • Projekt: Inverse problems: numerical and computational aspects (3 ECTS)
  • Seminar: Inverse problems: numerical and computational aspects (3 ECTS)
  • Seminar: Machine Intelligence (6 ECTS)
  • Seminar: Numerik (1 ECTS)
  • Seminar: Wahrscheinlichkeitstheorie (1 ECTS)
  • Wahrscheinlichkeitstheorie (3+4 ECTS)
  • Informationstheorie (8 ECTS)
Verteilte Systeme 
  • Computer Networks (4 ECTS)
  • Databases (8 ECTS)
  • Distributed Information Systems (4 ECTS)
  • Foundations of Distributed Systems (8 ECTS)
  • High Performance Computing (4 ECTS)
  • Introduction to Internet and Security (8 ECTS)
  • Multimedia Retrieval (6 ECTS)
  • Seminar Distributed Systems (6 ECTS)
  • Algorithms and Data Structures (8 ECTS)
  • Computer Architecture and Operating Systems (8 ECTS)
 
    Wissenschaftliche Methoden und Anwendungen
    • Scientific Writing (6 KP)
    • 101 Things I learned in Computer Science (4 KP)
    • Bioinformatics Algorithms (4 ECTS)