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

Prozessmanagement und Process Mining

W3DSKI_303 16 Belege

Lernziel K2 · KI-Methoden und Algorithmen

„Die Studierenden erlangen umfassendes Faktenwissen zu Methoden der Geschäftsprozessmodellierung, -optimierung und des Process Mining.“

Das Zitat nennt Methoden der Geschäftsprozessmodellierung, -optimierung und des Process Mining.
Lernziel K2 · KI-Methoden und Algorithmen

„Sie können Methoden des Process Mining auf Anwendungsfälle anwenden und sie können die Anwendbarkeit der einzelnen Methoden in der Praxis beurteilen und ein Projekt in diesem Umfeld konzipieren.“

Das Zitat bezieht sich auf die Anwendung und Beurteilung von Methoden des Process Mining.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: kennen / verstehen

„Die Studierenden verstehen, dass im Rahmen des Prozessmanagements, der Prozessmodellierung und des Process Mining viele Unternehmensbereiche konstruktiv zusammenarbeiten müssen.“

Das Zitat ordnet Process Mining als Bestandteil des Prozessmanagements und der Prozessmodellierung ein.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: entwickeln / gestalten

„Die Studierenden sind in der Lage, selbstorganisiert ein Projekt z. B. mit dem Ziel der Prozessmodellierung, -optimierung oder des Process Mining zu konzipieren.“

Das Zitat nennt die Konzeption eines Projekts mit dem Ziel des Process Mining.
Inhalt K2 · KI-Methoden und Algorithmen

„Prozessmanagement und Process Mining“

Der Modultitel nennt Prozessmanagement und Process Mining als fachliche Themen.
Inhalt K2 · KI-Methoden und Algorithmen

„Process Mining und Process Optimization:“

Das Zitat nennt Process Mining und Process Optimization als Themenbereich.
Inhalt K2 · KI-Methoden und Algorithmen

„- Typen von Process Mining: Discovery, Conformance Checking, Enhancement“

Das Zitat nennt die technischen Typen Discovery, Conformance Checking und Enhancement des Process Mining.
Inhalt K2 · KI-Methoden und Algorithmen

„- Discovery Techniken: Alpha-Algorithmus, Heuristic Miner, Inductive Miner, Synthesebasierte Methoden,“

Das Zitat führt konkrete Discovery-Techniken und Algorithmen des Process Mining auf.
Inhalt K2 · KI-Methoden und Algorithmen

„- Toolunterstützung: PROM, Disco, Celonis“

Das Zitat nennt Softwaretools zur Unterstützung des Process Mining.
Inhalt K2 · KI-Methoden und Algorithmen

„- Data Mining vs. Process Mining“

Das Zitat behandelt die fachliche Abgrenzung von Data Mining und Process Mining.
Inhalt K2 · KI-Methoden und Algorithmen

„- Conformance Checking / Qualitätsmaße: Fitness, Precision, Simplicity, Generalization“

Das Zitat nennt technische Qualitätsmaße für das Conformance Checking.
Inhalt K2 · KI-Methoden und Algorithmen

„- Process Optimization“

Das Zitat nennt Process Optimization als technischen Themenbereich.
Inhalt K2 · KI-Methoden und Algorithmen

„- Zusammenhang zu BPMN und Data Mining Business Process Intelligence und Abgrenzung zu Lean Six Sigma, BPR, Business Intelligence Big Data, RPA und WM“

Das Zitat behandelt den Zusammenhang und die Abgrenzung von Process Mining, Data Mining und verwandten Verfahren.
Literatur K7 · KI-Literatur

„- Laue, R./ Koschmider, A./ Fahland, D.: Prozessmanagement und Process-Mining: Grundlagen, De Gruyter Oldenbourg.“
Literatur K7 · KI-Literatur

„- Peters, R./ Nauroth, M.: Process-Mining: Geschäftsprozesse: smart, schnell und einfach, Springer Gabler.“
Literatur K7 · KI-Literatur

„- van der Aalst, W.: Process Mining: Data Science in Action, Springer.“

Geschäftsmodelle und Entrepreneurship

W3DSKI_304 6 Belege

Lernziel K1 · KI als Fachinhalt Niveau: analysieren / bewerten

„Hierbei können die Studierenden insbesondere die Möglichkeiten und Herausforderungen neuer Methoden und Technologien im Bereich von Data Science und Künstlicher Intelligenz einschätzen und dabei Potenziale für neue bzw. angepasste Geschäftsmodelle und Geschäftsideen erkennen und beurteilen.“

Das Zitat nennt ausdrücklich Möglichkeiten und Herausforderungen von Methoden und Technologien der Künstlichen Intelligenz als Lehrinhalt.
Lernziel K6 · KI-Regulierung / Ethik / Recht

„Sie reflektieren die in den Modulinhalten angesprochenen Theorien und Modelle in Hinblick auf die damit verbundene soziale, ethische und ökologische Verantwortung, insbesondere im Hinblick auf den Einsatz von Methoden und Technologien aus Data Science und Künstlicher Intelligenz.“

Das Zitat behandelt die soziale, ethische und ökologische Verantwortung beim Einsatz von Methoden und Technologien der Künstlichen Intelligenz.
Inhalt K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„- Datenbasierte Geschäftsmodelle und Anwendungsszenarien, v. a. basierend auf Methoden des Data Science und der Künstlichen Intelligenz“

Das Zitat beschreibt datenbasierte Geschäftsmodelle und Anwendungsszenarien, die auf Methoden der Künstlichen Intelligenz basieren.
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.“