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

Umsetzung von Data Science und Künstliche Intelligenz in Unternehmen

W3DSKI_305 27 Belege

Lernziel K3 · KI-Anwendungen im Fachkontext Niveau: kennen / verstehen

„Die Studierenden kennen die geschäftlichen Aufgaben und die Auswirkungen von Data Science und Künstliche Intelligenz auf organisatorische Veränderungen im Unternehmen und die Auswirkungen auf die Zusammensetzung von Teams.“

Das Zitat ordnet Data Science und KI ihren geschäftlichen Aufgaben sowie organisatorischen Veränderungen im Unternehmen zu.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: analysieren / bewerten

„Die Studierenden sind in der Lage, spezifische Methoden des Data Science und der Künstlichen Intelligenz im betrieblichen Kontext anzuwenden und zu bewerten.“

Das Zitat nennt ausdrücklich spezifische Methoden der Künstlichen Intelligenz und des Data Science.
Lernziel K3 · KI-Anwendungen im Fachkontext

„Sie sind in der Lage organisatorische Änderungen, die mit der Einführung von Ansätzen des data-driven Business einhergehen, kritisch zu begleiten und Vorschläge zu erarbeiten.“

Das Zitat behandelt organisatorische Änderungen bei der Einführung datengetriebener Ansätze im Unternehmen.
Lernziel K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„Die Studierenden können ihre Kernkompetenz als Data Scientist und KI-Spezialist im Unternehmenskontext anwenden zur Entwicklung neuer oder zur Verbesserung bestehender Geschäftsmodelle oder Geschäftsprozesse.“

Das Zitat beschreibt die Anwendung von Data Science und KI zur Entwicklung oder Verbesserung von Geschäftsmodellen und Geschäftsprozessen.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: kennen / verstehen

„Sie wenden dabei die bereits erworbenen Kenntnisse aus den Bereichen Big Data, Visualisierung, Datenmanagement, maschinellen Lernen und verwandten Gebieten auf Problemfelder der Betriebswirtschaftslehre an.“

Das Zitat nennt maschinelles Lernen als methodischen Bereich und dessen Anwendung auf betriebswirtschaftliche Problemfelder.
Lernziel K1 · KI als Fachinhalt Niveau: entwickeln / gestalten

„Die Studierenden haben ihre Rolle als Data Scientist oder KI-Spezialist in einem Projektteam verstanden und können diese Rolle aktiv gestalten.“

Das Zitat behandelt die Rolle eines KI-Spezialisten in einem Projektteam als inhaltlichen Gegenstand.
Inhalt K3 · KI-Anwendungen im Fachkontext

„Umsetzung von Data Science und Künstliche Intelligenz in Unternehmen“

Das Zitat bezieht die Umsetzung von Data Science und KI ausdrücklich auf Unternehmen.
Inhalt K3 · KI-Anwendungen im Fachkontext

„Geschäftliche Aufgaben und Lösungen aus den Bereichen Data Science und Künstliche Intelligenz“

Das Zitat behandelt geschäftliche Aufgaben und Lösungen aus den Bereichen Data Science und KI.
Inhalt K2 · KI-Methoden und Algorithmen

„Einführung in die Vorhersagemodellbildung“

Das Zitat nennt die Vorhersagemodellbildung als technisches Verfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„Daten, Modelle, Overfitting für betriebliche Aufgaben“

Das Zitat behandelt Daten, Modelle und Overfitting als technische Modellierungsaspekte.
Inhalt K2 · KI-Methoden und Algorithmen

„Ähnlichkeiten, Nachbarn und Cluster für betriebliche Fragestellungen“

Das Zitat nennt Ähnlichkeiten, Nachbarn und Cluster als technische Verfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„Visualisierung der Leistung von Modellen“

Das Zitat behandelt die Visualisierung der Leistung von Modellen als methodischen Aspekt der Modellbewertung.
Inhalt K2 · KI-Methoden und Algorithmen

„Evidenz und Wahrscheinlichkeiten für die Kundenanalyse durch Werbung“

Das Zitat behandelt Evidenz und Wahrscheinlichkeiten als technische Verfahren für die Kundenanalyse.
Inhalt K2 · KI-Methoden und Algorithmen

„Texte repräsentieren und auswerten für z. B. die Auswertung von Wirtschaftsnachrichten“

Das Zitat beschreibt die Repräsentation und Auswertung von Texten als technisches Analyseverfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„Analytisches Engineering für die Entscheidungsanalyse“

Das Zitat nennt analytisches Engineering als methodischen Ansatz für die Entscheidungsanalyse.
Inhalt K3 · KI-Anwendungen im Fachkontext

„Data Science, Künstliche Intelligenz und Geschäftsstrategie“

Das Zitat ordnet Data Science und KI ausdrücklich der Geschäftsstrategie zu.
Inhalt K3 · KI-Anwendungen im Fachkontext

„Aufbau eines Data-Science- und KI-Teams“

Das Zitat behandelt den Aufbau eines Data-Science- und KI-Teams im organisatorischen Unternehmenskontext.
Inhalt K3 · KI-Anwendungen im Fachkontext

„Auswirkungen der Data Science und der Künstlichen Intelligenz auf die Organisationsentwicklung von Unternehmen“

Das Zitat beschreibt Auswirkungen von Data Science und KI auf die Organisationsentwicklung von Unternehmen.
Inhalt K1 · KI als Fachinhalt

„Wahlmodul Data Science und Künstliche Intelligenz“

Das Zitat nennt Data Science und KI als explizite fachliche Inhalte des Wahlmoduls.
Literatur K7 · KI-Literatur

„Brown, E.: Daten-Analyse für Unternehmen 2020: Wie man Data Science mit optimierten Marketingstrategien mit Hilfe von Data Mining-Algorithmen, Big Data für Unternehmen und maschinellem Lernen beherrscht, Independently published.“
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

„Russel, S., Norvig, P.: Artificial Intelligence. A Modern Approach, Pearson.“
Literatur K7 · KI-Literatur

„Big Data Research, Elsevier“
Literatur K7 · KI-Literatur

„International Journal of Business Intelligence and Data Mining (IJBIDM), Inderscience Publishers“
Literatur K7 · KI-Literatur

„International Journal of Data Science and Analytics, springer.com“