Zum Inhalt springen
IMPULS KI-Kompetenzen in Studium & Arbeitsmarkt
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
68
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
99
K2 · KI-Methoden und Algorithmen
101
K3 · KI-Anwendungen im Fachkontext
49
K4 · Grundlagen mit explizitem KI-Bezug
1
K5 · KI als Lehr- und Lernmethode
0
K6 · KI-Regulierung / Ethik / Recht
15
K7 · KI-Literatur
68

Art der Fundstelle

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

Lernzielniveau

Aus dem Verb abgeleitet; unklare Fälle bleiben bewusst leer.

kennen / verstehen
21
anwenden
28
analysieren / bewerten
6
entwickeln / gestalten
3

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

Künstliche Intelligenz und Machine Learning

W3DSKI_201 26 Belege
  • Lernziel K1 · KI als Fachinhalt
    „Die Studierenden kennen weiterführende Konzepte und Anwendungsgebiete der Künstlichen Intelligenz sowie Verfahren und Methoden des Maschinellen Lernens aus den Bereichen Supervised und Unsupervised Learning.“

    Das Zitat nennt sowohl weiterführende Konzepte und Anwendungsgebiete der Künstlichen Intelligenz als auch Verfahren und Methoden des Maschinellen Lernens.

  • Lernziel K2 · KI-Methoden und Algorithmen Niveau: anwenden
    „Sie sind in der Lage weiterführende Konzepte der Künstlichen Intelligenz und Machine Learning Algorithmen zu implementieren.“

    Im Mittelpunkt steht die Implementierung von Machine-Learning-Algorithmen als technische Verfahren.

  • Lernziel K2 · KI-Methoden und Algorithmen
    „Die Studierenden können für bestimmte Anwendungsszenarien geeignete Verfahren des Maschinellen Lernens auswählen, erfolgreich einsetzen und beurteilen.“

    Das Zitat beschreibt die Auswahl, den Einsatz und die Beurteilung geeigneter Verfahren des Maschinellen Lernens.

  • Lernziel K2 · KI-Methoden und Algorithmen
    „Sie verstehen die mathematischen Grundlagen der Methoden der Künstlichen Intelligenz und des Machine Learning und können diese Methoden anwenden.“

    Genannt werden mathematische Grundlagen und die Anwendung von Methoden der Künstlichen Intelligenz und des Machine Learning.

  • Inhalt K1 · KI als Fachinhalt
    „Künstliche Intelligenz“

    Das Zitat nennt Künstliche Intelligenz ausdrücklich als Lehrinhalt.

  • Inhalt K1 · KI als Fachinhalt
    „Weiterführende Konzepte der Künstlichen Intelligenz, insbesondere: Wissensdarstellung und -management; Unsicherheit und Wahrscheinlichkeit; Schließen, Folgern, Planen; Intelligente Agenten; Natural Language Processing, Probabilistic & Bayesian Reasoning“

    Das Zitat behandelt weiterführende Konzepte der Künstlichen Intelligenz, darunter Wissensdarstellung, intelligente Agenten und Natural Language Processing.

  • Inhalt K1 · KI als Fachinhalt
    „Weiterführende Konzepte in Machine Learning“

    Das Zitat nennt weiterführende Konzepte in Machine Learning als Lehrinhalt.

  • Inhalt K2 · KI-Methoden und Algorithmen
    „Modellevaluation, Bias-Variance-Trade-Off, Cross-Validation“

    Modellevaluation, Bias-Variance-Trade-Off und Cross-Validation sind technische Verfahren des Machine Learning.

  • Inhalt K2 · KI-Methoden und Algorithmen
    „Logistische Regression, K-Nearest Neighbors“

    Logistische Regression und K-Nearest Neighbors sind technische Machine-Learning-Verfahren.

  • Inhalt K2 · KI-Methoden und Algorithmen
    „Hochdimensionale Daten, Curse of Dimensionality“

    Hochdimensionale Daten und der Curse of Dimensionality behandeln ein technisches Problemfeld des Machine Learning.

  • Inhalt K2 · KI-Methoden und Algorithmen
    „Regularisierung (Ridge-, Lasso-Regression)“

    Ridge- und Lasso-Regression werden als konkrete Regularisierungsverfahren genannt.

  • Inhalt K2 · KI-Methoden und Algorithmen
    „Entscheidungsbäume (Regression und Klassifikation)“

    Entscheidungsbäume für Regression und Klassifikation sind technische Verfahren des Machine Learning.

  • Inhalt K2 · KI-Methoden und Algorithmen
    „Ensemble Methoden (Bagging, Random Forest, Boosting, Stacking)“

    Bagging, Random Forest, Boosting und Stacking werden als Ensemble-Methoden genannt.

  • Inhalt K2 · KI-Methoden und Algorithmen
    „Support Vector Machines“

    Support Vector Machines sind ein konkretes technisches Verfahren des Machine Learning.

  • Inhalt K1 · KI als Fachinhalt
    „Künstliche Neuronale Netze und Deep Learning“

    Künstliche neuronale Netze und Deep Learning werden ausdrücklich als KI-Lehrinhalte genannt.

  • Inhalt K2 · KI-Methoden und Algorithmen
    „Unsupervised Learning: Principal Component Analysis, Clustering (K-means, Hierarchical Clustering), Anomalie-Erkennung (Isolation Forest)“

    Principal Component Analysis, Clustering und Isolation Forest sind konkrete technische Verfahren des Unsupervised Learning.

  • Inhalt K1 · KI als Fachinhalt
    „Large Language Models“

    Large Language Models werden als expliziter KI-Lehrinhalt genannt.

  • Inhalt K2 · KI-Methoden und Algorithmen
    „Reinforcement Learning“

    Reinforcement Learning wird als technisches Verfahren des Machine Learning genannt.

  • Inhalt K1 · KI als Fachinhalt
    „Labor KI und ML:“

    Das Zitat nennt ein Labor zu Künstlicher Intelligenz und Maschinellem Lernen als Lehrinhalt.

  • Inhalt K3 · KI-Anwendungen im Fachkontext Niveau: anwenden
    „Durchführung von KI- und/oder ML-Anwendungen zu den obigen Themengebieten.“

    Das Zitat beschreibt die Durchführung von KI- und/oder ML-Anwendungen.

  • Literatur K7 · KI-Literatur
    „Bishop, C.M.: Pattern Recognition and Machine Learning, Springer.“
  • Literatur K7 · KI-Literatur
    „Courville, A.C., Goodfellow, I., Bengio, Y.: Deep Learning, The MIT Press.“
  • Literatur K7 · KI-Literatur
    „Hastie, T., Tibshirani, R.: Elements of Statistical Learning, Springer.“
  • Literatur K7 · KI-Literatur
    „James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning, Springer.“
  • Literatur K7 · KI-Literatur
    „Russel, S., Norvig, P.: Artificial Intelligence. A Modern Approach, Pearson.“
  • Literatur K7 · KI-Literatur
    „Strang, G.: Linear Algebra and Learning from Data, Wellesley-Cambridge Press.“

Moderne Datenbank-Konzepte

W3DSKI_202 1 Beleg
  • Inhalt K1 · KI als Fachinhalt
    „Data Science und Künstliche Intelligenz // Data Science and Artificial Intelligence“

    Das Zitat nennt Künstliche Intelligenz ausdrücklich als Bestandteil des Moduls.

Systems Engineering

W3DSKI_203 2 Belege
  • Inhalt K1 · KI als Fachinhalt
    „- Allgemeine Themen: Systemarchitekturen, Model-Based Systems Engineering (MBSE) – ggf. Bezug zu Intelligence Engineering herstellen, Requirements Engineering, Systementwurf und -modellierung, Software Engineering“

    Das Zitat nennt ausdrücklich den möglichen Bezug zu Intelligence Engineering als KI-nahem Fachinhalt.

  • Inhalt K1 · KI als Fachinhalt
    „Einordnung in Prozessmodelle des Data Science (Business Understanding)“

    Das Zitat ordnet Business Understanding in Prozessmodelle des Data Science ein und nennt damit einen datengetriebenen Fachinhalt.