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

Wahlmodul Data Science und Künstliche Intelligenz

W3DSKI_302 46 Belege

Lernziel K1 · KI als Fachinhalt Niveau: kennen / verstehen

„Die Studierenden kennen die Grundlagen einer Auswahl von aktuellen Themen, Konzepten und Entwicklungen aus der Data Science und/oder der Künstlichen Intelligenz.“

Das Zitat nennt aktuelle Themen und Entwicklungen aus der Künstlichen Intelligenz als Lehrinhalt.
Inhalt K1 · KI als Fachinhalt

„Natural Language Processing“

Natural Language Processing ist ein expliziter KI-Fachinhalt.
Inhalt K1 · KI als Fachinhalt

„- Linguistische Grundlagen (Wörter und Texte, Morphologie, Lexikalische Strukturen, Phrasenstruktur, Semantik & Pragmatik)“

Das Zitat nennt linguistische Grundlagen als Inhalt des Natural Language Processing.
Inhalt K2 · KI-Methoden und Algorithmen

„- Tokenization“

Tokenization ist ein technisches Verfahren der Sprachverarbeitung.
Inhalt K2 · KI-Methoden und Algorithmen

„- Normalisierung (Kleinschreibung, Stopp-Wörter, Stemming, Lemmatization)“

Normalisierung mit Stemming und Lemmatization beschreibt technische NLP-Verfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„- Satzerkennung (der SBD-Prozess)“

Satzerkennung und der SBD-Prozess sind technische Verfahren der Sprachverarbeitung.
Inhalt K2 · KI-Methoden und Algorithmen

„- Namenserkennung (NER)“

Namenserkennung (NER) ist ein technisches Verfahren der Sprachverarbeitung.
Inhalt K2 · KI-Methoden und Algorithmen

„- Wortart-Erkennung (der Tagging Prozess)“

Wortart-Erkennung und Tagging sind technische NLP-Verfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„- Klassifikation von Texten und Dokumenten (Sentimental Analysis)“

Die Klassifikation von Texten und Dokumenten ist ein technisches Verfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„- Parser zur Extraktion von Beziehungstypen“

Parser zur Extraktion von Beziehungstypen sind technische Verfahren der Sprachverarbeitung.
Inhalt K1 · KI als Fachinhalt

„- Language models (GPT-2, GPT-3, BERT, …)“

GPT-2, GPT-3 und BERT werden als explizite Inhalte zu Language Models genannt.
Inhalt K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„- Anwendungen des Natural Language Processing (beispielsweise Topic Detection, Text Summarization, Maschinelle Übersetzung, Speech-to-Text/Text-to-Speech, Sentiment Analysis, Dialogsysteme)“

Das Zitat nennt konkrete Anwendungen des Natural Language Processing.
Inhalt K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„- Realisierung von NLP-Anwendungen“

Die Realisierung von NLP-Anwendungen bezieht sich auf die Anwendung von KI-Verfahren.
Inhalt K1 · KI als Fachinhalt

„Fortgeschrittenes Reinforcement Learning“

Fortgeschrittenes Reinforcement Learning ist ein expliziter KI-Fachinhalt.
Inhalt K1 · KI als Fachinhalt

„- Das Problem des verstärkten Lernens“

Das Problem des verstärkten Lernens wird als Inhalt des Reinforcement Learning genannt.
Inhalt K2 · KI-Methoden und Algorithmen

„- Markov-Entscheidungsprozesse“

Markov-Entscheidungsprozesse sind ein technisches Verfahren beziehungsweise formales Modell.
Inhalt K2 · KI-Methoden und Algorithmen

„- Dynamische Programmierung“

Dynamische Programmierung ist ein technisches algorithmisches Verfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„- Monte-Carlo-Methoden“

Das Zitat nennt Monte-Carlo-Methoden als technisches Verfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„- Lernen mit zeitlichen Differenzen“

Lernen mit zeitlichen Differenzen ist ein technisches Lernverfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„- On- und Off-Policy-Methoden“

On- und Off-Policy-Methoden sind technische Verfahren des Reinforcement Learning.
Inhalt K2 · KI-Methoden und Algorithmen

„- Elligibility traces“

Eligibility Traces werden als technisches Verfahren des Reinforcement Learning genannt.
Inhalt K2 · KI-Methoden und Algorithmen

„- Policy-Gradienten“

Policy-Gradienten sind ein technisches Lernverfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„Netzwerkanalyse“

Netzwerkanalyse wird als technisches Analyseverfahren genannt.
Inhalt K2 · KI-Methoden und Algorithmen

„- Allgemeine Netzwerkanalyse“

Allgemeine Netzwerkanalyse bezeichnet ein technisches Analyseverfahren.
Inhalt K3 · KI-Anwendungen im Fachkontext

„- Search Engines“

Search Engines werden als Anwendungsbereich der Netzwerkanalyse genannt.
Inhalt K3 · KI-Anwendungen im Fachkontext

„- Fraud Analysis“

Fraud Analysis wird als Anwendungsbereich der Netzwerkanalyse genannt.
Inhalt K3 · KI-Anwendungen im Fachkontext

„- Viral Information Cascading“

Viral Information Cascading wird als Anwendungsbereich der Netzwerkanalyse genannt.
Inhalt K3 · KI-Anwendungen im Fachkontext

„- Product Placement“

Product Placement wird als Anwendungsbereich der Netzwerkanalyse genannt.
Inhalt K3 · KI-Anwendungen im Fachkontext

„- IT-Sicherheit im Umfeld von KI und Machine Learning. Unter anderem:“

Das Zitat behandelt IT-Sicherheit im Umfeld von KI und Machine Learning.
Inhalt K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„o Anwendungszenarien von IT-Sicherheit im Kontext von KI und Machine Learning“

Es werden Anwendungsszenarien von IT-Sicherheit im Kontext von KI und Machine Learning genannt.
Inhalt K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„o Anwendungsszenarien von KI im Kontext von IT-Sicherheit“

Es werden Anwendungsszenarien von KI im Kontext von IT-Sicherheit genannt.
Inhalt K1 · KI als Fachinhalt

„Erklärbare KI und interpretierbares Machine Learning“

Erklärbare KI und interpretierbares Machine Learning sind explizite KI-Fachinhalte.
Inhalt K1 · KI als Fachinhalt Niveau: kennen / verstehen

„- Klärung der Begriffe "verstehbar", "verständlich", "erklärbar"“

Das Zitat behandelt Begriffe zur Verständlichkeit und Erklärbarkeit von KI-Systemen.
Inhalt K2 · KI-Methoden und Algorithmen

„- Post-Hoc Erklärungsansätze: BETA (Black Box Explanations through Transparent Approximations), LRP (Layer-Wise Relevance Propagation), LIME (Local Interpretable Model-Agnostic Explanations)“

BETA, LRP und LIME werden als technische Erklärungsverfahren genannt.
Inhalt K2 · KI-Methoden und Algorithmen

„- Ante-Hoc-Erklärungsansätze: Generalisierte Additive Modelle (GAMs), Hybride Systeme“

GAMs und hybride Systeme werden als technische Erklärungsansätze genannt.
Inhalt K2 · KI-Methoden und Algorithmen

„- Umsetzung einiger Ansätze in Programmen (wie Jupyter Notebooks, etc.)“

Die Umsetzung der genannten Ansätze in Programmen beschreibt die technische Anwendung von Verfahren.
Inhalt K3 · KI-Anwendungen im Fachkontext

„- Realisierung eines UX-Workshops zur Entwicklung eines Daten- oder KI-Produkts“

Das Zitat nennt die Entwicklung eines Daten- oder KI-Produkts als Anwendungskontext.
Inhalt K3 · KI-Anwendungen im Fachkontext

„Data Engineering und Analytics Projekte leiten“

Das Zitat behandelt das Leiten von Data-Engineering- und Analytics-Projekten als fachlichen Anwendungskontext.
Inhalt K3 · KI-Anwendungen im Fachkontext

„Vertiefung der Lehrinhalte aus dem Modul “Projektmanagement mit Fokus auf Data Science.“

Das Zitat nennt eine Vertiefung von Lehrinhalten zum Projektmanagement mit Fokus auf Data Science.
Inhalt K3 · KI-Anwendungen im Fachkontext

„Ohne standardisierte Methoden für das Management von Data Engineering und Analytics Projekten verlassen sich Projektteams oft auf Ad-hoc-Praktiken, die nicht wiederholbar, nicht nachhaltig und unorganisiert sind.“

Das Zitat beschreibt Managementprobleme in Data-Engineering- und Analytics-Projekten.
Inhalt K2 · KI-Methoden und Algorithmen

„- Projektmanagementmethoden im Data Engineering und Analytics Umfeld“

Projektmanagementmethoden werden als methodische Verfahren im Data-Engineering- und Analytics-Umfeld genannt.
Inhalt K2 · KI-Methoden und Algorithmen

„- Vorgehensmodelle: CRISP-DM, DASC-PM, etc.“

CRISP-DM und DASC-PM werden als Vorgehensmodelle genannt.
Inhalt K2 · KI-Methoden und Algorithmen

„- OSEMN Framework“

OSEMN wird als methodisches Framework für Analytics genannt.
Inhalt K3 · KI-Anwendungen im Fachkontext

„Analytics in In-Memory Databases“

Analytics in In-Memory-Databases beschreibt eine technische Anwendung von Analytics.
Inhalt K3 · KI-Anwendungen im Fachkontext

„- z. B. mittels SAP Analytics Cloud und S/4 HANA“

SAP Analytics Cloud und S/4 HANA werden als konkrete technische Anwendungssysteme genannt.
Inhalt K1 · KI als Fachinhalt

„Alle Module aus Semester 1 bis 4 mit Bezug zu Künstlicher Intelligenz und Data Science.“

Das Zitat nennt ausdrücklich Module mit Bezug zu Künstlicher Intelligenz und Data Science.