Alle Auswertungen

Bachelor Maschinenbau

TU Hamburg (TUHH)

2 / 57

Module mit KI-Bezug

von allen Modulen des Handbuchs

4 %

KI-Anteil

Modulanteil mit Beleg

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 Modulhandbuch sind 34 belegte KI-Textstellen in 2 von insgesamt 57 Modulen dokumentiert; 9 dieser Textstellen sind Literaturbelege. Die Belege verteilen sich auf 10 Lernziele, 15 Inhaltsangaben und 9 Literaturangaben; Prüfungsbelege sind nicht dokumentiert. Belegt sind KI als Fachinhalt, KI-Methoden und Algorithmen, KI-Anwendungen im Fachkontext sowie KI-Literatur.

Kategorienprofil

Kategorie 1 (KI als Fachinhalt) ist mit 6 Belegen im Modul „Maschinelles Lernen I“ dokumentiert. Die Lernziele nennen „Grundlegende Prinzipien maschineller Lernverfahren“, „Grundlagen der statistischen Lerntheorie“, den Umgang „mit bekannten Softwareframeworks für das maschinelle Lernen“ sowie das Aufzeigen „der Grenzen maschineller Lernverfahren“. Als Inhalte sind unter anderem die „Geschichte der Neurowissenschaften und des maschinellen Lernens (insbesondere des tiefen Lernens)“ und „Statistische Lerntheorie“ belegt.

Kategorie 2 (KI-Methoden und Algorithmen) ist mit 16 Belegen ebenfalls im Modul „Maschinelles Lernen I“ dokumentiert. Die Zitate nennen Lernmethoden wie „Neuronale Netze, Support-Vektor-Maschinen, Clusterung, Dimensionsreduzierung, KernelMethoden“ sowie „Transfer Learning, Bestärkendes Lernen, Generative Adversarial Networks und Adaptive Control“. Weitere Lernziele beziehen sich darauf, „maschinelle Lernverfahren auf konkrete Probleme anwenden“, geeignete Verfahren „auswählen und bewerten“, die Güte eines trainierten datengetriebenen Modells zu evaluieren sowie bei neuronalen Netzen Architektur und Kostenfunktion anzupassen. Die Inhaltsangaben umfassen unter anderem „McCulloch-Pitts-Neuronen und binäre neuronale Netze“ und die „Universalität von neuronalen McCulloch-Pitts-Netzwerken“.

Kategorie 3 (KI-Anwendungen im Fachkontext) ist mit 3 Belegen im Modul „Messtechnik für Maschinenbau“ dokumentiert. Genannt werden „automatische Datenerfassung und Datenverarbeitung“ sowie Aufgaben mit einer Parallelkinematik und einem optischen Sensor, bei denen Objekte gefunden, gegriffen und auf statischen oder bewegten Zielpositionen abgelegt werden sollen. Dazu sollen Sensoreigenschaften erarbeitet, der Messbereich identifiziert und eine Abfahrstrategie entwickelt und implementiert werden.

Kategorie 7 (KI-Literatur) ist mit 9 Belegen in den Modulen „Messtechnik für Maschinenbau“ und „Maschinelles Lernen I“ dokumentiert. Die Literaturangaben umfassen unter anderem die „ArUco Library Documentation“, „Industrielle Bildverarbeitung“ sowie Werke zu neuronalen Netzen, maschinellem Lernen, Pattern Recognition und Support-Vektor-Maschinen. Diese Belege dokumentieren Literaturangaben.

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 treten in 2 von 57 Modulen auf. Die Kategorien 1 und 2 sind jeweils im Modul „Maschinelles Lernen I“ belegt, während Kategorie 3 im Modul „Messtechnik für Maschinenbau“ dokumentiert ist. Inhaltlich beziehen sich die dokumentierten Lernziele und Inhalte auf maschinelle Lernverfahren, statistische Lerntheorie, neuronale Netze, Modellbewertung und Anwendungen mit optischen Sensoren und Parallelkinematik.

Gesamteinordnung

Für den Bachelor Maschinenbau der TU Hamburg sind 34 KI-Textstellen in zwei Modulen dokumentiert. Davon entfallen 6 Belege auf KI als Fachinhalt, 16 auf KI-Methoden und Algorithmen, 3 auf KI-Anwendungen im Fachkontext und 9 auf KI-Literatur. Die dokumentierten Lernzielbelege umfassen einmal analysieren/bewerten und einmal anwenden, soweit ein Lernzielniveau eindeutig ableitbar ist. Die im Handbuch vorkommenden KI-Begriffe umfassen ai, bestärkendes lernen, bildverarbeitung, data science, klassifikation, machine learning, maschinelles lernen, neural network, neuronale netze, pattern recognition, robotics, support vector und unüberwachtes lernen.

Methodische Grenzen

Die Belege sind auf 2 von 57 Modulen beschränkt. Neun der 34 belegten Textstellen sind Literaturbelege; diese dokumentieren Literaturangaben und sind kein gleichartiger Nachweis wie Lernziele oder Inhaltsangaben.

Grundlage sind ausschließlich die unten aufgeführten, gegen den Rohtext geprüften Belege.

Belege je Kategorie

K1 · KI als Fachinhalt

K2 · KI-Methoden und Algorithmen

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 10 (29 %)
Inhalt 15 (44 %)
Literatur 9 (26 %)

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

13 Begriffe, an beliebiger Stelle

ai bestärkendes lernen bildverarbeitung data science klassifikation machine learning maschinelles lernen neural network neuronale netze pattern recognition robotics support vector unüberwachtes lernen

Nicht nachgewiesene Leitbegriffe

Zentrale KI-Begriffe, die an keiner Stelle des Handbuchs vorkommen. Das heißt nicht nachgewiesen, nicht nicht vorhanden.

künstliche intelligenz deep learning computer vision natural language processing reinforcement learning predictive maintenance 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 10 Inhalt 15 Literatur 9

Maschinelles Lernen I

M1595 29 Belege

Lernziel K1 · KI als Fachinhalt

„Grundlegende Prinzipien maschineller Lernverfahren: überwachtes/unüberwachtes Lernen, generative/deskriptives Lernen, parametrischer/nicht-parametrisches Lernen“

Das Zitat behandelt grundlegende Prinzipien maschineller Lernverfahren und damit explizite Inhalte zu maschinellem Lernen.
Lernziel K2 · KI-Methoden und Algorithmen

„verschiedeneLernmethoden: Neuronale Netze, Support-Vektor-Maschinen, Clusterung, Dimensionsreduzierung, KernelMethoden“

Das Zitat nennt konkrete technische Lernmethoden wie neuronale Netze, Support-Vektor-Maschinen und Clusterung.
Lernziel K1 · KI als Fachinhalt

„Grundlagen der statistischen Lerntheorie“

Das Zitat behandelt die statistische Lerntheorie als expliziten theoretischen Inhalt des maschinellen Lernens.
Lernziel K2 · KI-Methoden und Algorithmen

„Fortgeschrittene Techniken wie Transfer Learning, Bestärkendes Lernen, Generative Adversarial Networks und Adaptive Control“

Das Zitat nennt fortgeschrittene technische Verfahren wie Transfer Learning, bestärkendes Lernen und GANs.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: anwenden

„maschinelle Lernverfahren auf konkrete Probleme anwenden“

Das Zitat beschreibt die Anwendung maschineller Lernverfahren auf konkrete Probleme.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: analysieren / bewerten

„für konkrete Problemstellungen geeignete Verfahren auswählen und bewerten“

Das Zitat behandelt die Auswahl und Bewertung geeigneter maschineller Lernverfahren.
Lernziel K2 · KI-Methoden und Algorithmen

„die Güte eines trainierten datengetriebenen Modells evaluieren“

Das Zitat beschreibt die technische Evaluation der Güte eines trainierten datengetriebenen Modells.
Lernziel K1 · KI als Fachinhalt

„mit bekannten Softwareframeworks für das maschinelle Lernen umgehen“

Das Zitat nennt den Umgang mit Softwareframeworks für das maschinelle Lernen als expliziten Lerninhalt.
Lernziel K2 · KI-Methoden und Algorithmen

„bei neuronalen Netzen die Architektur und Kostenfunktion an konkrete Problemstellungen anpassen“

Das Zitat behandelt die technische Anpassung von Netzwerkarchitektur und Kostenfunktion bei neuronalen Netzen.
Lernziel K1 · KI als Fachinhalt

„die Grenzen maschineller Lernverfahren aufzeigen“

Das Zitat behandelt die Grenzen maschineller Lernverfahren als expliziten Inhalt des maschinellen Lernens.
Inhalt K1 · KI als Fachinhalt

„Geschichte der Neurowissenschaften und des maschinellen Lernens (insbesondere des tiefen Lernens)“

Das Zitat behandelt die Geschichte des maschinellen Lernens und insbesondere des tiefen Lernens.
Inhalt K2 · KI-Methoden und Algorithmen

„McCulloch-Pitts-Neuronen und binäre neuronale Netze“

Das Zitat behandelt McCulloch-Pitts-Neuronen und binäre neuronale Netze als technische neuronale Netzwerkmodelle.
Inhalt K2 · KI-Methoden und Algorithmen

„Universalität von neuronalen McCulloch-Pitts-Netzwerken“

Das Zitat behandelt die Universalität von neuronalen McCulloch-Pitts-Netzwerken.
Inhalt K2 · KI-Methoden und Algorithmen

„Lernen und das Perzeptron-Konvergenz-Theorem“

Das Zitat behandelt das Perzeptron-Konvergenz-Theorem und damit ein technisches Verfahren beziehungsweise Ergebnis neuronaler Netze.
Inhalt K2 · KI-Methoden und Algorithmen

„Support-Vektor-Maschinen“

Das Zitat nennt Support-Vektor-Maschinen als konkretes technisches Verfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„Kontinuierliche künstliche neuronale Netze“

Das Zitat behandelt kontinuierliche künstliche neuronale Netze als technisches Netzwerkmodell.
Inhalt K2 · KI-Methoden und Algorithmen

„Kolmogorovsches Superpositions-Theorem“

Das Zitat behandelt das Kolmogorovsche Superpositions-Theorem im Kontext neuronaler Netze.
Inhalt K2 · KI-Methoden und Algorithmen

„Universelle Approximation mit kontinuierlichen neuronalen Netzen“

Das Zitat behandelt die universelle Approximation mit kontinuierlichen neuronalen Netzen.
Inhalt K2 · KI-Methoden und Algorithmen

„Approximationsfehler und die Gradienten-Abstiegs-Methode: die allgemeine Idee“

Das Zitat behandelt Approximationsfehler und die Gradienten-Abstiegs-Methode.
Inhalt K2 · KI-Methoden und Algorithmen

„Die stochastische Gradienten-Abstiegs-Methode (Robbins-Monro- und Kiefer-Wolfowitz-Fälle)“

Das Zitat behandelt die stochastische Gradienten-Abstiegs-Methode und konkrete Varianten davon.
Inhalt K2 · KI-Methoden und Algorithmen

„Mehrschichtige Netzwerke und der Backpropagation-Algorithmus“

Das Zitat nennt mehrschichtige Netzwerke und den Backpropagation-Algorithmus als technische Verfahren.
Inhalt K1 · KI als Fachinhalt

„Statistische Lerntheorie“

Das Zitat behandelt die statistische Lerntheorie als expliziten theoretischen Inhalt des maschinellen Lernens.
Literatur K7 · KI-Literatur

„Martin Anthony and Peter L. Bartlett. Neural Network Learning: Theoretical Foundations. Cambridge University Press, 1999.“
Literatur K7 · KI-Literatur

„Martin Anthony. Discrete Mathematics of Neural Networks: Selected Topics. SIAM Monographs on Discrete Mathematics & Applications, 1987.“
Literatur K7 · KI-Literatur

„Mehryar Mohri, Afshin Rostamizadeh and Ameet Talwalkar. Foundations of Machine Learning, Second Edition. MIT Press, 2018.“
Literatur K7 · KI-Literatur

„Christopher M. Bishop. Pattern Recognition and Machine Learning. Information Science and Statistics. Springer-Verlag, 2008.“
Literatur K7 · KI-Literatur

„Bernhard Schölkopf, Alexander Smola. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. Adaptive Computation and Machine Learning series. MIT Press, Cambridge, MA, 2002.“
Literatur K7 · KI-Literatur

„Luc Devroye, László Györfi, Gábor Lugosi. A Probabilistic Theory of Pattern Recognition. Springer, 1996.“
Literatur K7 · KI-Literatur

„Vladimir Vapnik. The Nature of Statistical Learning Theory. Springer-Verlag: New York, Berlin, Heidelberg, 1995.“