Auswertung
Formuliert ausschließlich aus den geprüften Zitaten und den im Code berechneten Zahlen,
ohne Wertung und ohne Ausprägungsstufen.
Datengrundlage
Im Modulhandbuch sind 64 Module erfasst; ein Modul weist belegte KI-Bezüge auf. Dokumentiert sind 12 KI-Textstellen, darunter zwei Lernziel-, neun Inhalts- und ein Literaturbeleg. Die Belege betreffen das Modul „Maschinelles Lernen“ und beziehen sich auf KI als Fachinhalt, KI-Methoden und Algorithmen sowie KI-Literatur.
Kategorienprofil
Kategorie 1 (KI als Fachinhalt) ist im Modul „Maschinelles Lernen“ mit dem Inhaltsbeleg „Neural Networks und Deep Learning“ dokumentiert.
Kategorie 2 (KI-Methoden und Algorithmen) ist mit zehn Belegen im Modul „Maschinelles Lernen“ dokumentiert. Die Lernziele nennen die Kenntnis von „Vor- und Nachteile[n] unterschiedlicher Algorithmen und deren Limitationen“ sowie Übung „mit der Verwendung von relevanten Python Bibliotheken für Machine Learning“. Zu den Inhaltsbelegen gehören „Überwachtes und Nichtüberwachtes Lernen“, „Lineare und Logistische Regression“, „Bayesian Learning“, „Decision Trees & Forests“, „Ensemble Methods“ und „Hyperparameter Tuning“. Als eindeutig ableitbares Lernzielniveau ist einmal kennen/verstehen ausgewiesen.
Kategorie 7 (KI-Literatur) ist im Modul „Maschinelles Lernen“ durch die Literaturangabe „Trevor Hastie, Robert Tibshirani, Jerome Friedmann: The Elements of Statistical Learning: Data Mining, Inference, and Prediction . Springer series in statistics, second edition. Springer 2009.“ belegt.
Kategorie 3 (KI-Anwendungen im Fachkontext), Kategorie 4 (Grundlagen mit explizitem KI-Bezug), Kategorie 5 (KI als Lehr- und Lernmethode) und Kategorie 6 (KI-Regulierung / Ethik / Recht) sind nicht nachgewiesen.
Verteilungsmuster
Die belegten KI-Bezüge konzentrieren sich auf ein Modul von insgesamt 64 Modulen. Von den 12 Textstellen entfallen zehn auf Kategorie 2, eine auf Kategorie 1 und eine auf Kategorie 7. Der inhaltliche Schwerpunkt der dokumentierten Belege liegt auf Methoden und Algorithmen des maschinellen Lernens, darunter überwachtes und nichtüberwachtes Lernen, Regression, Bayesian Learning, Entscheidungsbäume, Ensemble Methods und Hyperparameter Tuning.
Gesamteinordnung
Die dokumentierten KI-Bezüge im Bachelor Elektrotechnik an der TH Bingen sind im Modul „Maschinelles Lernen“ verortet. Sie umfassen Inhalte zu „Neural Networks und Deep Learning“ sowie zu mehreren Methoden und Algorithmen des maschinellen Lernens. Zusätzlich ist eine Literaturangabe zu Statistical Learning, Data Mining, Inference und Prediction dokumentiert.
Methodische Grenzen
Die Belege stammen aus einem einzelnen Modul. KI-Anwendungen im Fachkontext, Grundlagen mit explizitem KI-Bezug, KI als Lehr- und Lernmethode sowie KI-Regulierung, Ethik und Recht sind in den vorgelegten Befunden nicht nachgewiesen. Der Literaturbeleg stellt einen schwachen Nachweis dar.
Grundlage sind ausschließlich die unten aufgeführten, gegen den Rohtext geprüften Belege.
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
8 Begriffe, an beliebiger Stelle
data mining
deep learning
feature engineering
machine learning
maschinelles lernen
robotics
robotik
support vector
Nicht nachgewiesene Leitbegriffe
Zentrale KI-Begriffe, die an keiner Stelle des Handbuchs vorkommen. Das heißt nicht nachgewiesen, nicht nicht vorhanden.
künstliche intelligenz
neuronale netze
data science
computer vision
natural language processing
reinforcement learning
predictive maintenance
digitaler zwilling
generative ki
large language model
ai act
explainable ai
Belegte KI-Stellen
Jedes Zitat wörtlich aus dem Handbuch, maschinell gegen den Rohtext geprüft.
Maschinelles Lernen
B-IN-WP12
9 Belege
-
Inhalt
K1 · KI als Fachinhalt
„Überwachtes und Nichtüberwachtes Lernen“
Überwachtes und nichtüberwachtes Lernen sind explizite Inhalte des Machine Learnings.
-
Inhalt
K2 · KI-Methoden und Algorithmen
„Lineare und Logistische Regression“
Lineare und logistische Regression sind technische Verfahren beziehungsweise Algorithmen.
-
Inhalt
K2 · KI-Methoden und Algorithmen
„Bayesian Learning“
Bayesian Learning bezeichnet ein technisches Lernverfahren.
-
Inhalt
K2 · KI-Methoden und Algorithmen
„Decision Trees & Forests“
Decision Trees und Forests sind technische Verfahren des maschinellen Lernens.
-
Inhalt
K2 · KI-Methoden und Algorithmen
„Ensemble Methods“
Ensemble Methods sind technische Verfahren beziehungsweise Algorithmen.
-
Inhalt
K2 · KI-Methoden und Algorithmen
„Hyperparameter Tuning“
Hyperparameter Tuning ist ein technisches Verfahren zur Anpassung von Lernmodellen.
-
Inhalt
K2 · KI-Methoden und Algorithmen
„Feature Engineering“
Feature Engineering ist ein technisches Verfahren zur Aufbereitung und Auswahl von Merkmalen.
-
Inhalt
K2 · KI-Methoden und Algorithmen
„Support Vector Maschinen“
Support Vector Maschinen sind ein technisches Verfahren des maschinellen Lernens.
-
Inhalt
K1 · KI als Fachinhalt
„Neural Networks und Deep Learning“
Das Zitat nennt mit Neural Networks und Deep Learning explizite KI-Fachinhalte.