Alle Auswertungen

Bachelor Data Science und Kuenstliche Intelligenz

DHBW Karlsruhe

38 / 38

Module mit KI-Bezug

von allen Modulen des Handbuchs

100 %

KI-Anteil

Modulanteil mit Beleg

331

Belegte KI-Stellen

wörtlich, geprüft

davon Literatur

schwacher Beleg (K7)

Auswertung

Formuliert ausschließlich aus den geprüften Zitaten und den im Code berechneten Zahlen, ohne Wertung und ohne Ausprägungsstufen.

Datengrundlage

Im Handbuch sind 38 Module dokumentiert; für alle 38 Module ist ein KI-Bezug belegt. Insgesamt liegen 331 KI-Textstellen vor, davon 69 in Lernzielen, 194 in Inhaltsbeschreibungen und 68 in Literaturangaben; Prüfungsbezüge sind nicht belegt. Die Belege betreffen KI als Fachinhalt, KI-Methoden und Algorithmen, KI-Anwendungen im Fachkontext sowie KI-Regulierung, Ethik und Recht.

Kategorienprofil

Kategorie 1 (KI als Fachinhalt) ist mit 96 Belegen in 28 Modulen dokumentiert. Im Modul „Grundlagen Data Science und Künstlicher Intelligenz“ werden unter anderem „elementare Prinzipien und Kompetenzen in den Bereichen Data Science und Künstliche Intelligenz“ sowie die „gesamtgesellschaftlichen Konsequenzen und Auswirkungen von Data Science und Künstlicher Intelligenz sowohl in der Anwendungsentwicklung als auch der Nutzung“ genannt. Als Lernziel ist zudem festgehalten, dass Studierende Grundlagen von Data Science und KI kennen, Daten analysieren und Kenntnisse aus Big Data, Visualisierung, Datenmanagement, KI und maschinellem Lernen verwenden.

Kategorie 2 (KI-Methoden und Algorithmen) ist mit 107 Belegen in 20 Modulen dokumentiert. Das Modul „Künstliche Intelligenz und Machine Learning“ nennt weiterführende Konzepte und Anwendungsgebiete der KI sowie Verfahren des maschinellen Lernens für Supervised und Unsupervised Learning. Im Modul „Grundlagen Data Science und Künstlicher Intelligenz“ werden Trainings- und Testdaten, Modellvergleich, Modellevaluation, Over- und Underfitting, verschiedene Lernarten sowie Regression, Klassifikation, Clustering, Mustererkennung, Entscheidungsbäume und Cluster- und Assoziationsalgorithmen aufgeführt.

Kategorie 3 (KI-Anwendungen im Fachkontext) ist mit 46 Belegen in 13 Modulen dokumentiert. In „Intelligence Engineering“ ist die Erstellung von Modellen mit maschinellem Lernen, Verarbeitung natürlicher Sprache und wissensbasierten Systemen sowie deren Integration in KI-basierte Anwendungen benannt. Weitere Bezüge betreffen Data-Science-Methoden für BI, Analytics und Controlling, Anwendungsszenarien der KI in der Unternehmenssteuerung sowie Beispiele für KI, Big Data Analytics und RPA im Rechnungswesen.

Kategorie 6 (KI-Regulierung / Ethik / Recht) ist mit 17 Belegen in 4 Modulen dokumentiert. Im Modul „Grundlagen Data Science und Künstlicher Intelligenz“ wird die Einordnung und Bewertung der Verwendung von Data-Science- und KI-Technologien unter ethischen, normativen und rechtlichen Aspekten genannt. „Grundlagen IT-Sicherheit und Datenschutz“ führt Risikomanagement unter dem Gesichtspunkt von Data Science, KI und deren Anwendungen auf; in „Schlüsselqualifikationen“ erscheinen unter anderem „KI und Privatsphäre“, philosophische Grundlagendiskussionen zu KI sowie ethische Implikationen von IT und Data Science.

Kategorie 7 (KI-Literatur) ist mit 68 Belegen in 16 Modulen dokumentiert. Im Modul „Grundlagen Data Science und Künstlicher Intelligenz“ sind unter anderem Titel zu Machine Learning, Pattern Recognition, Data Science und Künstlicher Intelligenz aufgeführt, beispielsweise „Introduction to Machine Learning“, „Pattern Recognition and Machine Learning“ und „Grundkurs Künstliche Intelligenz“. Diese Kategorie dokumentiert Literaturangaben.

Kategorie 4 (Grundlagen mit explizitem KI-Bezug) und Kategorie 5 (KI als Lehr- und Lernmethode) sind nicht nachgewiesen.

Verteilungsmuster

KI-Bezüge sind in allen 38 Modulen belegt. Die Kategorien KI als Fachinhalt, KI-Methoden und Algorithmen sowie KI-Anwendungen im Fachkontext treten in 28, 20 beziehungsweise 13 Modulen auf. Inhaltlich dokumentieren die Zitate insbesondere Data Science, maschinelles Lernen, Lernverfahren, Modellierung, Datenanalyse sowie Anwendungen im Unternehmens-, Controlling- und Software-Engineering-Kontext. Bei den eindeutig ableitbaren Lernzielniveaus sind 28 Belege dem Anwenden, 21 dem Kennen/Verstehen, 6 dem Analysieren/Bewerten und 3 dem Entwickeln/Gestalten zugeordnet.

Gesamteinordnung

Die dokumentierten KI-Bezüge umfassen 331 Textstellen aus Lernzielen, Inhaltsbeschreibungen und Literaturangaben. Sie benennen Grundlagen von Data Science und KI, Methoden und Algorithmen des maschinellen Lernens, Anwendungsfälle und KI-basierte Anwendungen sowie ethische, normative, rechtliche und sicherheitsbezogene Aspekte. Prüfungsbezüge sind nicht belegt. Die im Handbuch vorkommenden KI-Begriffe umfassen unter anderem „künstliche Intelligenz“, „machine learning“, „maschinelles Lernen“, „deep learning“, „clustering“, „computer vision“, „erklärbare KI“ und „data science“.

Methodische Grenzen

68 der 331 belegten KI-Textstellen sind Literaturangaben. Diese Literaturbezüge dokumentieren referenzierte Titel, stellen jedoch keinen Nachweis für Lernziele, Inhalte oder Prüfungen dar.

Grundlage sind ausschließlich die unten aufgeführten, gegen den Rohtext geprüften Belege.

Belege je Kategorie

K1 · KI als Fachinhalt

K2 · KI-Methoden und Algorithmen

101

K3 · KI-Anwendungen im Fachkontext

K4 · Grundlagen mit explizitem KI-Bezug

K5 · KI als Lehr- und Lernmethode

K6 · KI-Regulierung / Ethik / Recht

K7 · KI-Literatur

Art der Fundstelle

Lernziel 69 (21 %)
Inhalt 194 (59 %)
Literatur 68 (21 %)

Lernzielniveau

Aus dem Verb abgeleitet; unklare Fälle bleiben bewusst leer.

kennen / verstehen

anwenden

analysieren / bewerten

entwickeln / gestalten

KI-Begriffsprofil

Eine reine Wortsuche über den gesamten Handbuchtext, ohne Sprachmodell. Sie zählt jedes Vorkommen, also auch Inhaltsverzeichnisse, Studiengangs-Zuordnungen und Literaturtitel. Diese Liste ist deshalb kein Beleg für Lehrinhalte und kann deutlich länger sein als die geprüften Belege oben. Sie zeigt, wo sich ein zweiter Blick ins PDF lohnt.

Im Text gefunden

39 Begriffe, an beliebiger Stelle

ai artificial intelligence automl bayes big data clustering computer vision cyber-physical data analytics data mining data science datenanalyse decision support deep learning entscheidungsunterstützung erklärbare ki feature engineering ki klassifikation künstliche intelligenz künstlichen intelligenz künstlicher intelligenz machine learning maschinelles lernen ml mustererkennung natural language processing neuronale netze neuronales netz nlp pattern recognition predictive maintenance random forest reinforcement learning scikit-learn supervised learning support vector tensorflow unsupervised learning

Nicht nachgewiesene Leitbegriffe

Zentrale KI-Begriffe, die an keiner Stelle des Handbuchs vorkommen. Das heißt nicht nachgewiesen, nicht nicht vorhanden.

digitaler zwilling generative ki large language model ai act explainable ai robotik

Belegte KI-Stellen

Jedes Zitat wörtlich aus dem Handbuch, maschinell gegen den Rohtext geprüft.

Art: Alle Lernziel 69 Inhalt 194 Literatur 68

Umsetzung von Data Science und Künstliche Intelligenz in Unternehmen

W3DSKI_305 6 Belege

Lernziel K3 · KI-Anwendungen im Fachkontext Niveau: kennen / verstehen

„Die Studierenden kennen die geschäftlichen Aufgaben und die Auswirkungen von Data Science und Künstliche Intelligenz auf organisatorische Veränderungen im Unternehmen und die Auswirkungen auf die Zusammensetzung von Teams.“

Das Zitat ordnet Data Science und KI ihren geschäftlichen Aufgaben sowie organisatorischen Veränderungen im Unternehmen zu.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: analysieren / bewerten

„Die Studierenden sind in der Lage, spezifische Methoden des Data Science und der Künstlichen Intelligenz im betrieblichen Kontext anzuwenden und zu bewerten.“

Das Zitat nennt ausdrücklich spezifische Methoden der Künstlichen Intelligenz und des Data Science.
Lernziel K3 · KI-Anwendungen im Fachkontext

„Sie sind in der Lage organisatorische Änderungen, die mit der Einführung von Ansätzen des data-driven Business einhergehen, kritisch zu begleiten und Vorschläge zu erarbeiten.“

Das Zitat behandelt organisatorische Änderungen bei der Einführung datengetriebener Ansätze im Unternehmen.
Lernziel K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„Die Studierenden können ihre Kernkompetenz als Data Scientist und KI-Spezialist im Unternehmenskontext anwenden zur Entwicklung neuer oder zur Verbesserung bestehender Geschäftsmodelle oder Geschäftsprozesse.“

Das Zitat beschreibt die Anwendung von Data Science und KI zur Entwicklung oder Verbesserung von Geschäftsmodellen und Geschäftsprozessen.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: kennen / verstehen

„Sie wenden dabei die bereits erworbenen Kenntnisse aus den Bereichen Big Data, Visualisierung, Datenmanagement, maschinellen Lernen und verwandten Gebieten auf Problemfelder der Betriebswirtschaftslehre an.“

Das Zitat nennt maschinelles Lernen als methodischen Bereich und dessen Anwendung auf betriebswirtschaftliche Problemfelder.
Lernziel K1 · KI als Fachinhalt Niveau: entwickeln / gestalten

„Die Studierenden haben ihre Rolle als Data Scientist oder KI-Spezialist in einem Projektteam verstanden und können diese Rolle aktiv gestalten.“

Das Zitat behandelt die Rolle eines KI-Spezialisten in einem Projektteam als inhaltlichen Gegenstand.

Ausgewählte Themen aus Data Science und Künstliche Intelligenz in der Wirtschaft

W3DSKI_306 3 Belege

Lernziel K1 · KI als Fachinhalt Niveau: kennen / verstehen

„Die Studierenden kennen die Grundlagen einer Auswahl von aktuellen Themen, Konzepten und Entwicklungen im Kontext von Data Science und Künstlicher Intelligenz in der Betriebswirtschaftslehre.“

Das Zitat nennt aktuelle Themen, Konzepte und Entwicklungen der Künstlichen Intelligenz im Kontext der Betriebswirtschaftslehre.
Lernziel K1 · KI als Fachinhalt

„Die Studierenden sind mit Abschluss des Moduls in der Lage, komplexe Probleme aus der Data Science und der Künstlichen Intelligenz im Kontext der Betriebswirtschaftslehre zu lösen.“

Das Zitat bezieht sich ausdrücklich auf das Lösen komplexer Probleme aus der Künstlichen Intelligenz in der Betriebswirtschaftslehre.
Lernziel K1 · KI als Fachinhalt

„Sie lernen mit Komplexität in betriebswirtschaftlichen Fragestellungen aus der Data Science und der Künstlichen Intelligenz eigenverantwortlich, initiativ und mit Tatkraft umzugehen.“

Das Zitat nennt den eigenverantwortlichen Umgang mit Fragestellungen aus der Künstlichen Intelligenz im betriebswirtschaftlichen Kontext.

Seminar

W3DSKI_307 2 Belege

Lernziel K1 · KI als Fachinhalt Niveau: kennen / verstehen

„Die Studierenden kennen die aktuellen Entwicklungen der Data Science, der Künstlichen Intelligenz, der Wirtschaftsinformatik, der Informatik oder der verwandten Disziplinen.“

Das Zitat nennt Künstliche Intelligenz ausdrücklich als Gegenstand aktueller Entwicklungen, mit denen sich die Studierenden befassen.
Lernziel K3 · KI-Anwendungen im Fachkontext

„Sie erlangen einen vertieften Einblick in aktuelle Trends des Einsatzes von Methoden und Verfahren aus dem Data Science und der Künstlichen Intelligenz in der Wirtschaft.“

Das Zitat beschreibt den Einsatz von Methoden und Verfahren der Künstlichen Intelligenz in der Wirtschaft und damit eine Anwendung im Fachkontext.

Data Engineering

W3DSKI_401 2 Belege

Lernziel Niveau: kennen / verstehen

„Die Studierenden können das Fachgebiet Data Engineering als Teilbereich von Data Science einordnen und kennen die Aufgaben eines Data Engineers.“
Lernziel K1 · KI als Fachinhalt Niveau: kennen / verstehen

„Die Studierenden kennen fortgeschrittene Konzepte für Extraktion-, Transformation- und Ladeprozesse zur Datenanalyse, sowie für Machine-Learning Prozesse.“

Das Zitat nennt ausdrücklich Machine-Learning-Prozesse als Gegenstand der Lehrinhalte.

Data Analytics

W3DSKI_402 2 Belege

Lernziel K2 · KI-Methoden und Algorithmen

„Die Studierenden sind fähig Machine Learning Algorithmen für die Datenanalyse einzusetzen, anzupassen und deren Eignung einzuschätzen.“

Das Zitat nennt ausdrücklich Machine-Learning-Algorithmen sowie deren Einsatz, Anpassung und Bewertung.
Lernziel K2 · KI-Methoden und Algorithmen

„Dies gilt insbesondere auch für Analysen von Daten im Big Data Umfeld, die mittels geeigneter Frameworks von den Studierenden durchgeführt und evaluiert werden können.“

Das Zitat beschreibt die Durchführung und Evaluation von Datenanalysen mit geeigneten Frameworks im Big-Data-Umfeld.

Projekt Data Engineering und Analytics

W3DSKI_404 1 Beleg

Lernziel K2 · KI-Methoden und Algorithmen Niveau: anwenden

„Die Studierenden können Projekte im Bereich des Data Engineerings und der Datenanalyse erfolgreich durchführen.“

Das Zitat bezieht sich auf Projekte in den methodisch-technischen Bereichen Data Engineering und Datenanalyse, nennt jedoch keine konkreten KI-Verfahren.

Intelligence Engineering

W3DSKI_410 6 Belege

Lernziel K1 · KI als Fachinhalt Niveau: kennen / verstehen

„Die Studierenden lernen den Einsatz und die Techniken des Maschinellen Lernens sowie der Künstlichen Intelligenz kennen.“

Das Zitat nennt das Kennenlernen von Maschinellem Lernen und Künstlicher Intelligenz als Lerninhalt.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: anwenden

„Die Studierenden können mit Techniken des Maschinellen Lernens, der Verarbeitung natürlicher Sprache und wissensbasierter Systeme Modelle erstellen und diese mit Methoden des Software Engineering in Künstlicher Intelligenz-basierte Anwendungen integrieren, den Project Life Cycle des Intelligence Engineering zur Erstellung intelligenter Anwendungen einsetzen und die einzelnen Phasen unterscheiden und angemessene Methoden der Phasen selbstständig durchführen.“

Im Mittelpunkt stehen technische Verfahren wie Maschinelles Lernen, natürliche Sprachverarbeitung und wissensbasierte Systeme sowie deren Methoden.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: kennen / verstehen

„Die Studierenden vertiefen die in den vorhergehenden Modulen gelernten Methoden aus der Künstlichen Intelligenz (Machine/Deep Learning, Wissensrepräsentation/-basierte Systeme) und aus dem Data Engineering und lernen die Methoden aus dem Systems & Software Engineering kennen und diese darauf anzuwenden.“

Das Zitat bezieht sich auf die Vertiefung von KI-Methoden wie Machine Learning, Deep Learning und Wissensrepräsentation.
Lernziel K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„Die Studierenden können die Methoden und Techniken der künstlichen Intelligenz im Model-Based Systems Engineering zur Unterstützung von Prozessen, Tätigkeiten und Datenmanagement anwenden.“

Die Methoden und Techniken der KI werden im Model-Based Systems Engineering zur Unterstützung von Prozessen, Tätigkeiten und Datenmanagement eingesetzt.
Lernziel K1 · KI als Fachinhalt

„Die Studierenden haben ihre interdisziplinäre Rolle als KI-Spezialistinnen und KI-Spezialisten sowie Softwareentwicklerinnen und Softwareentwickler verstanden und einschätzen, ob angemessene Methoden geeignete Ergebnisse liefern.“

Das Zitat behandelt die Rolle der Studierenden als KI-Spezialistinnen und KI-Spezialisten.
Lernziel K3 · KI-Anwendungen im Fachkontext

„In konkreten Anwendungsszenarien aus der Praxis können die Studierenden geeignete Methoden zur Problemlösung abgrenzen und auswählen sowie konkrete Techniken und Methoden der Künstlichen Intelligenz und dem Software Engineering innerhalb des Unternehmens entwickeln.“

Die KI-Methoden und -Techniken sollen in konkreten Anwendungsszenarien und innerhalb des Unternehmens entwickelt werden.

Vertiefung Künstliche Intelligenz und Machine Learning

W3DSKI_411 6 Belege

Lernziel K2 · KI-Methoden und Algorithmen

„Die Studierenden haben sich weiter in die Anwendungsgebiete des Maschinellen Lernens vertieft und kennen weiterführende Verfahren und Methoden des Maschinellen Lernens.“

Das Zitat nennt weiterführende Verfahren und Methoden des Maschinellen Lernens.
Lernziel K1 · KI als Fachinhalt Niveau: kennen / verstehen

„Sie haben vertiefte Kenntnisse in den wesentlichen Themengebiete der Künstlichen Intelligenz.“

Das Zitat nennt vertiefte Kenntnisse in wesentlichen Themengebieten der Künstlichen Intelligenz.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: analysieren / bewerten

„Die Studierenden können Methoden des Maschinellen Lernens vergleichen, im Kontext der Künstliche Intelligenz einordnen und einschätzen für welche Themengebiete sie verwendet werden können.“

Im Mittelpunkt stehen der Vergleich, die Einordnung und die Auswahl von Methoden des Maschinellen Lernens.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: anwenden

„Sie können für verschiedene Anwendungsszenarien geeignete Verfahren des Maschinellen Lernens auswählen und erfolgreich zur Problemlösung in der Praxis einsetzen.“

Das Zitat beschreibt die Auswahl und den praktischen Einsatz geeigneter Verfahren des Maschinellen Lernens.
Lernziel K1 · KI als Fachinhalt Niveau: kennen / verstehen

„Die Studierenden können die erlernten, tiefgehenden Kenntnisse in Maschinellem Lernen und Künstlicher Intelligenz, sowie die Ergebnisse dieser Verfahren anderen Personen erläutern.“

Das Zitat bezieht sich ausdrücklich auf Kenntnisse in Maschinellem Lernen und Künstlicher Intelligenz.
Lernziel K1 · KI als Fachinhalt

„Dabei verstehen sie auch den notwendigen Entwicklungsaufwand, die Grenzen und Einschränkungen von Maschinellem Lernen und Künstlicher Intelligenz in der praktischen Anwendung.“

Das Zitat behandelt Grenzen und Einschränkungen von Maschinellem Lernen und Künstlicher Intelligenz.

Aktuelle Entwicklungen Künstliche Intelligenz und Intelligence Engineering

W3DSKI_412 2 Belege

Lernziel K1 · KI als Fachinhalt Niveau: kennen / verstehen

„Die Studierenden kennen den State-of-the-Art einer Auswahl von aktuellen Themen, Konzepten und Entwicklungen aus der Künstlichen Intelligenz und/oder dem Intelligence Engineering.“

Das Zitat nennt aktuelle Themen, Konzepte und Entwicklungen aus der Künstlichen Intelligenz und dem Intelligence Engineering als Lerninhalt.
Lernziel K2 · KI-Methoden und Algorithmen

„Aufbauend auf den Grundlagen der vorrangegangenen fünf Semestern können die Studierenden, die für die behandelten aktuellen Themen relevanten Methoden beurteilen, einordnen und anwenden.“

Das Zitat beschreibt die Beurteilung, Einordnung und Anwendung von für aktuelle Themen relevanten Methoden.