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

Intelligence Engineering

W3DSKI_410 23 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.
Inhalt K1 · KI als Fachinhalt

„Gründe für den Einsatz von Machine Learning und Artificial Intelligence (anstelle von Codieren)“

Das Zitat behandelt Gründe für den Einsatz von Machine Learning und Artificial Intelligence.
Inhalt K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„Entwicklung von Artificial-Intelligence-Anwendungen.“

Der Gegenstand ist die Entwicklung von Artificial-Intelligence-Anwendungen.
Inhalt K2 · KI-Methoden und Algorithmen Niveau: anwenden

„Anwendung der Intelligence Engineering Methoden auf verschiedene Anwendungsklassen, beispielhaft seien genannt: Machine Learning, Knowledge Representation, AI Application Architecture, Information Retrieval, Natural Language Processing, Computer Vision, Complex Event Processing, …“

Das Zitat nennt die Anwendung von Intelligence-Engineering-Methoden sowie technische Verfahren wie Machine Learning, Knowledge Representation und Natural Language Processing.
Inhalt K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„Anwendung von Methoden und Techniken der künstlichen Intelligenz auf der Grundlage von Model-Based Systems Engineering zur Unterstützung von Prozessen, Tätigkeiten und Datenmanagement. Die Systeme sind fähig zu lernen, zu interpretieren, zu interagieren und zu entscheiden.“

KI-Methoden und -Techniken werden auf Grundlage des Model-Based Systems Engineering zur Unterstützung von Prozessen, Tätigkeiten und Datenmanagement angewendet.
Inhalt K3 · KI-Anwendungen im Fachkontext

„Realisierung von ausgewählten Themen des Intelligence Engineering in praxisnahen Szenarien“

Die ausgewählten Themen des Intelligence Engineering werden in praxisnahen Szenarien realisiert.
Inhalt K1 · KI als Fachinhalt

„Vertiefung Künstliche Intelligenz und Machine Learning“

Das Zitat nennt die Vertiefung der Inhalte Künstliche Intelligenz und Machine Learning.
Literatur K7 · KI-Literatur

„Abi-Farah, B.: Artificial Intelligence Engineering: Deep Dive into Deep Learning, Independently published.“
Literatur K7 · KI-Literatur

„Burkov, A.: Machine Learning Engineering, True Positive Inc.“
Literatur K7 · KI-Literatur

„Humm, B.: Applied Artificial Intelligence: An Engineering Approach, http://learnpub.com/AAI.“
Literatur K7 · KI-Literatur

„Kinsbruner, E.: Accelerating Software Quality: Machine Learning and Artificial Intelligence in the Age of DevOps, Independently published.“
Literatur K7 · KI-Literatur

„Smith, A.; Black, R.; Davenport, J.: Artificial Intelligence and Software Testing: Building systems you can trust, BCS, The Chartered Institute for IT.“
Literatur K7 · KI-Literatur

„Virvou, M./Tsihrintzis, G./Bourbakis, N./Jain, L.; (Hrsg.): Handbook on Artificial Intelligence-empowered Applied Software Engineering. VOL.1: Novel Methodologies to Engineering Smart Software System, Springer.“
Literatur K7 · KI-Literatur

„Virvou, M./Tsihrintzis, G./Bourbakis, N./Jain, L.; (Hrsg.): Handbook on Artificial Intelligence-empowered Applied Software Engineering. VOL.2: Smart Software Applications in Cyber-Physical Systems, Springer.“
Literatur K7 · KI-Literatur

„Artificial Intelligence - Journal - Elsevier“
Literatur K7 · KI-Literatur

„Big Data - liebertpub.com“
Literatur K7 · KI-Literatur

„Foundations and Trends® in Machine Learning - now publishers inc.“
Literatur K7 · KI-Literatur

„Machine Learning - springer.com“