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

Grundlagen Data Science und Künstlicher Intelligenz

W3DSKI_101 31 Belege

Lernziel K1 · KI als Fachinhalt

„Die Studierenden kennen die Grundlagen des Data Science und der Künstlichen Intelligenz. Sie können Daten analysieren und lernen die Nutzbarmachung im Unternehmenskontext zur Entwicklung neuer oder zur Verbesserung bestehender Geschäftsmodelle. Dabei werden Kenntnisse aus den Bereichen Big Data, Visualisierung, Datenmanagement, künstliche Intelligenz und maschinelles Lernen verwendet.“

Das Zitat nennt Künstliche Intelligenz und maschinelles Lernen als Lehrinhalte und beschreibt zugleich deren Nutzbarmachung im Unternehmenskontext.
Lernziel K3 · KI-Anwendungen im Fachkontext

„Die Studierenden lernen dieses komplexe und vielschichtige Thema aus verschiedenen Blickwinkeln kennen und entwickeln ein Verständnis für datengetriebene Geschäftsmodelle und die Möglichkeiten, die aus der Wissensgewinnung aus digitalen Daten entstehen.“

Im Mittelpunkt stehen datengetriebene Geschäftsmodelle und deren Nutzung zur Wissensgewinnung aus digitalen Daten.
Lernziel K3 · KI-Anwendungen im Fachkontext

„Die Studierenden sind in der Lage die spezifischen Eigenschaften von Data Science und Künstlicher Intelligenz, insbesondere Machine Learning, zu benennen und in der Praxis insofern anzuwenden als sie die Möglichkeiten und Potenziale zur Anwendung dieses Gebiets auf existierende Geschäftsmodelle und Systeme erkennen können.“

Das Zitat behandelt die Anwendung von Data Science und Künstlicher Intelligenz auf bestehende Geschäftsmodelle und Systeme sowie deren spezifische Eigenschaften.
Lernziel K1 · KI als Fachinhalt Niveau: analysieren / bewerten

„Des Weiteren sind sie in der Lage, Daten und daraus abgeleitetes Wissen zielorientiert aufzubereiten und darzustellen. Sie analysieren die verfügbaren Daten und definieren geeignete IT-Konzepte zu deren effizienter Verarbeitung und sicherer Speicherung in entsprechenden IT-Systemen.“

Das Zitat behandelt Datenanalyse, Wissensaufbereitung und IT-Konzepte zur Verarbeitung und Speicherung von Daten.
Lernziel K1 · KI als Fachinhalt

„Die Studierenden haben ihre Vermittlerrolle als Data Scientist und KI-Experten verstanden und können dies in ersten Ansätzen umsetzen.“

Das Zitat nennt ausdrücklich die Rolle der Studierenden als Data Scientist und KI-Experten.
Lernziel K6 · KI-Regulierung / Ethik / Recht Niveau: analysieren / bewerten

„Die Studierenden können die Verwendung von Technologien des Data Science und der Künstlichen Intelligenz auch unter ethischen, normativen und rechtlichen Aspekten einordnen und bewerten.“

Das Zitat fordert die Einordnung und Bewertung von Data-Science- und KI-Technologien unter ethischen, normativen und rechtlichen Aspekten.
Inhalt K1 · KI als Fachinhalt

„Grundlagen Data Science und Künstliche Intelligenz“

Das Zitat nennt Grundlagen von Data Science und Künstlicher Intelligenz als Lehrinhalt.
Inhalt K1 · KI als Fachinhalt

„Grundlegende Positionierung der interdisziplinären Fachrichtung Data Science und Künstliche Intelligenz“

Das Zitat behandelt die interdisziplinäre Fachrichtung Data Science und Künstliche Intelligenz.
Inhalt K1 · KI als Fachinhalt Niveau: kennen / verstehen

„Kennenlernen der elementaren Prinzipien und Kompetenzen in den Bereichen Data Science und Künstliche Intelligenz“

Das Zitat nennt elementare Prinzipien und Kompetenzen in Data Science und Künstlicher Intelligenz.
Inhalt K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„Vorstellung der gesamtgesellschaftlichen Konsequenzen und Auswirkungen von Data Science und Künstlicher Intelligenz sowohl in der Anwendungsentwicklung als auch der Nutzung.“

Das Zitat behandelt die Auswirkungen von Data Science und Künstlicher Intelligenz in Anwendungsentwicklung und Nutzung.
Inhalt K1 · KI als Fachinhalt

„Data Science: Wissenschaft der Daten, der Wissensgewinnung aus Daten und deren Darstellung“

Das Zitat beschreibt Data Science als Wissenschaft der Daten, der Wissensgewinnung und deren Darstellung.
Inhalt K1 · KI als Fachinhalt

„Künstliche Intelligenz: Wissenschaft der datenbasierten und automatisierten Wissensgewinnung (Lernen) zur Entscheidungsunterstützung, Planung, Steuerung, Problemlösung“

Das Zitat definiert Künstliche Intelligenz als datenbasierte und automatisierte Wissensgewinnung zur Entscheidungsunterstützung und Problemlösung.
Inhalt K2 · KI-Methoden und Algorithmen

„Machine Learning: Lehre der Methoden und Algorithmen der Künstlichen Intelligenz zur automatisierten Erzeugung von Wissensmodellen und intelligenten Systemen“

Das Zitat bezeichnet Machine Learning ausdrücklich als Lehre der Methoden und Algorithmen der Künstlichen Intelligenz.
Inhalt K2 · KI-Methoden und Algorithmen

„Generelle Aspekte der Generierung von Wissensmodellen: Trainings- und Testdaten, Modellvergleich, Modellevaluation, Over- und Underfitting“

Das Zitat nennt technische Verfahren zur Generierung und Evaluation von Wissensmodellen, darunter Trainings- und Testdaten sowie Modellvergleich.
Inhalt K2 · KI-Methoden und Algorithmen

„Arten des Lernens: Supervised Learning, Unsupervised Learning, Semi-Supervised und Self-Taught Learning, Reinforcement Learning“

Das Zitat behandelt verschiedene Lernverfahren wie Supervised, Unsupervised und Reinforcement Learning.
Inhalt K2 · KI-Methoden und Algorithmen

„Klassen des Lernens: Regression, Klassifikation, Clustering, Mustererkennung“

Das Zitat nennt technische Klassen des Lernens wie Regression, Klassifikation, Clustering und Mustererkennung.
Inhalt K2 · KI-Methoden und Algorithmen

„Einführung in grundlegende Methoden des Lernens: Regressionsverfahren, Entscheidungsbäume, Cluster- und Assoziationsalgorithmen“

Das Zitat führt konkrete Lernmethoden und Algorithmen wie Regressionsverfahren, Entscheidungsbäume sowie Cluster- und Assoziationsalgorithmen ein.
Inhalt K1 · KI als Fachinhalt

„Visualisierung von Daten im Prozess der Wissensgewinnung und -repräsentation“

Das Zitat behandelt die Visualisierung von Daten im Prozess der Wissensgewinnung und -repräsentation.
Inhalt K2 · KI-Methoden und Algorithmen Niveau: kennen / verstehen

„Optional: Kennenlernen und elementare Einführung in fortgeschrittene Machine-Learning-Methoden wie Support Vector Machines, Neuronale Netze, etc“

Das Zitat nennt fortgeschrittene Machine-Learning-Methoden wie Support Vector Machines und neuronale Netze.
Inhalt K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„Elementare Anwendungsfälle und Projekte aus den Bereichen Data Science und Künstliche Intelligenz.“

Das Zitat behandelt Anwendungsfälle und Projekte aus den Bereichen Data Science und Künstliche Intelligenz.
Literatur K7 · KI-Literatur

„Alpaydin, E.: Introduction to Machine Learning. MIT Press.“
Literatur K7 · KI-Literatur

„Bishop, C.M.: Pattern Recognition and Machine Learning. Springer.“
Literatur K7 · KI-Literatur

„Cielen, D., Meysman, A.D.B.: Introducing Data Science. Manning Publications.“
Literatur K7 · KI-Literatur

„Cooper, S.: Data Science from Scratch. CreateSpace Independent Publishing Platform.“
Literatur K7 · KI-Literatur

„Ertel, W.: Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung. Springer Vieweg.“
Literatur K7 · KI-Literatur

„Géron, A.: Hands-On Machine Learning with Scikit-Learn and TensorFlow. O'Reilly.“
Literatur K7 · KI-Literatur

„Grus, J.: Data Science from Scratch. O'Reilly.“
Literatur K7 · KI-Literatur

„Haider, M.: Getting Started with Data Science: Making Sense of Data with Analytics. IBM Press.“
Literatur K7 · KI-Literatur

„Russel, S., Norvig, P.: Artificial Intelligence. A Modern Approach. Pearson.“
Literatur K7 · KI-Literatur

„Shah, C.: A Hands-On Introduction to Machine Learning. Cambridge University Press.“
Literatur K7 · KI-Literatur

„Simeone, O.: Machine Learning for Engineers. Cambridge University Press.“