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

Cloud Computing und Big Data

W3DSKI_204 10 Belege

Lernziel K2 · KI-Methoden und Algorithmen

„Die Studierenden kennen Konzepte zur Anwendungsvirtualisierung und deren Ineinandergreifen zur Umsetzung der zentralen Dienstleistungs- und Bereitstellungsmodelle des Cloud Computing. Darüber hinaus verstehen die Studierende die praktische Umsetzung eines Anwendungsbetriebs anhand von horizontaler und vertikaler Skalierung, sowie einer Microservice-Architektur. Des Weiteren kennen die Studierenden verschiedene Vorgehensweisen, Technologien und Architekturen zur Analyse, Nutzung, Sammlung, Speicherung und Verwertung digitaler Massendaten. Sie kennen die notwendigen Technologien und können diese Daten mittels Big Data-Architekturen (z.B. Lambda-/Kappa-Architektur sowie Batch- und Stream-Verarbeitung) verarbeiten und speichern.“

Das Zitat beschreibt technische Verfahren und Architekturen zur Verarbeitung und Speicherung großer Datenmengen, nennt jedoch keinen ausdrücklichen KI-Bezug.
Lernziel K2 · KI-Methoden und Algorithmen

„Die Studierenden können ihre Kenntnisse auf praxisorientierte Fragestellungen im Rahmen von Cloud Computing und Big Data Problemstellungen anwenden, selbständig Problemlösungen erarbeiten und diese im sozialen Prozess erläutern und abstimmen.“

Das Zitat behandelt die Anwendung von Kenntnissen auf Cloud-Computing- und Big-Data-Probleme, jedoch keine ausdrücklich genannten KI-Methoden.
Inhalt K1 · KI als Fachinhalt

„Definition Cloud Computing und Big Data inkl. Abgrenzung zu klassischen Systemen“

Das Zitat definiert Cloud Computing und Big Data als zentrale fachliche Inhalte, enthält jedoch keinen ausdrücklichen KI-Bezug.
Inhalt K2 · KI-Methoden und Algorithmen

„Lambda Architecture: Data Lake, Batch Processing, Speed Layer, Data Ingestion Layer“

Das Zitat behandelt die Kappa-Architektur als technisches Verfahren zur Datenverarbeitung, ohne einen ausdrücklichen KI-Bezug zu nennen.
Inhalt K2 · KI-Methoden und Algorithmen

„Kappa Architecture“

Das Zitat nennt Massive Data Sets und Parallel Processing mit Hadoop und Spark als technische Verarbeitungsverfahren, jedoch ohne ausdrücklichen KI-Bezug.
Inhalt

„Massive Data Sets und Parallel Processing (z.B. Hadoop, Spark)“
Literatur K7 · KI-Literatur

„Marr, B.: Big Data: Using Smart Big Data, Analytics and Metrics To Make Better Decisions and Improve Performance, John Wiley & Sons.“
Literatur K7 · KI-Literatur

„Marz, N./Warren, J.: Big Data: Principles and best practices of scalable realtime data systems, Manning.“
Literatur K7 · KI-Literatur

„Mayer-Schönberger, V.: Big Data: A Revolution That Will Transform How We Live, Work and Think, Hodder and Stoughton Ltd.“
Literatur K7 · KI-Literatur

„Provost, F./Fawcett, T.: Data Science for Business: What you need to know about data mining and data-analytic thinking, O'Reilly and Associates.“

Theoretische Informatik

W3DSKI_205 2 Belege

Inhalt K2 · KI-Methoden und Algorithmen

„Komplexität von wichtigen Algorithmen des maschinellen Lernens“

Das Zitat behandelt die Komplexität wichtiger Algorithmen des maschinellen Lernens und damit technische KI-Verfahren.
Inhalt K1 · KI als Fachinhalt

„Grundlagen Data Science und Künstliche Intelligenz“

Das Zitat nennt Grundlagen der Künstlichen Intelligenz ausdrücklich als Lehrinhalt.

Statistik

W3DSKI_206 2 Belege

Inhalt K1 · KI als Fachinhalt

„Grundlagen Data Science und Künstliche Intelligenz“

Das Zitat nennt Künstliche Intelligenz ausdrücklich als Bestandteil der Grundlageninhalte.
Literatur K7 · KI-Literatur

„Deisenroth, M.P./Faisal, A.A./Ong, C.S.: Mathematics for Machine Learning, Cambridge University Press.“

Grundlagen Digitale Unternehmensführung

W3DSKI_207 2 Belege

Lernziel K3 · KI-Anwendungen im Fachkontext

„Die Studenten sind sich der grundlegenden Veränderungen des Rechnungswesens durch die Digitalisierung bewusst und kennen Beispiele der Anwendung von Künstlicher Intelligenz, Big Data Analytics, RPA (Robotic process automation) und weiterer Technologien in dem Bereich.“

Das Zitat nennt ausdrücklich Beispiele für die Anwendung von Künstlicher Intelligenz im Rechnungswesen.
Inhalt K3 · KI-Anwendungen im Fachkontext

„- Der Zusammenhang von Big Data, Business Analytics, RPA, Data Science und Machine Learning im Controllingkontext in der Unternehmenspraxis. Data Science als neue Organisationseinheit“

Das Zitat ordnet Machine Learning und weitere datenbezogene Verfahren ausdrücklich in den Controllingkontext und die Unternehmenspraxis ein.

Datenbasierte Unternehmenssteuerung

W3DSKI_208 10 Belege

Lernziel K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„Anwendungsszenarien der Künstlichen Intelligenz in der Unternehmenssteuerung einordnen und die Möglichkeiten und Herausforderungen neuer Methoden und Technologien im Bereich von Data Science und Künstlicher Intelligenz einschätzen.“

Das Zitat nennt ausdrücklich Anwendungsszenarien der Künstlichen Intelligenz in der Unternehmenssteuerung und behandelt zusätzlich Möglichkeiten und Herausforderungen im Bereich der Künstlichen Intelligenz.
Lernziel K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„Sie können die in diesem Modul vermittelten Modelle, Methoden, Techniken und Werkzeuge anwenden, um BI- und KI-gestützte Lösungsvorschläge für Organisationen abzuleiten und zu evaluieren.“

Das Zitat beschreibt die Anwendung von Methoden und Werkzeugen zur Ableitung und Evaluierung KI-gestützter Lösungsvorschläge für Organisationen.
Inhalt K2 · KI-Methoden und Algorithmen Niveau: anwenden

„Data-Science-Methoden (Anwendungsfelder der DS) für BI und Analytics bzw. Controlling (z.B. ML)“

Das Zitat nennt Data-Science-Methoden für BI, Analytics und Controlling und führt maschinelles Lernen als Beispiel an.
Inhalt K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„Datenbasierte KI-Anwendungsszenarien in der Unternehmenssteuerung“

Das Zitat bezieht sich ausdrücklich auf datenbasierte KI-Anwendungsszenarien in der Unternehmenssteuerung.
Inhalt K1 · KI als Fachinhalt

„Werkzeuge/Software für BI- und KI-Systeme“

Das Zitat nennt Werkzeuge und Software für KI-Systeme und weist damit KI als expliziten Fachinhalt aus.
Inhalt K1 · KI als Fachinhalt

„Grundlagen Data Science und Künstliche Intelligenz“

Das Zitat nennt Grundlagen der Data Science und der Künstlichen Intelligenz als Lehrinhalt.
Literatur K7 · KI-Literatur

„Matzka, S: Crashkurs KI im Unternehmen: Alles, was Sie über Data Science wissen müssen, Haufe-Lexware.“
Literatur K7 · KI-Literatur

„Papp, S./Weidinger, W./Meir-Huber, M./Ortner, B./Langs, G./Wazir, R.: Handbuch Data Science: Mit Datenanalyse und Machine Learning Wert aus Daten generieren, Hanser.“
Literatur K7 · KI-Literatur Niveau: anwenden

„Provost, F./Fawcett, T.: Data Science für Unternehmen: Data Mining und datenanalytisches Denken praktisch anwenden, O'Reilly Media.“
Literatur K7 · KI-Literatur

„Schön, D.: Planung und Reporting im BI-gestützten Controlling. Grundlagen, Business Intelligence, Mobile BI, Big-Data-Analytics und KI, Springer Gabler.“