Alle Auswertungen

Bachelor Elektrotechnik, Elektronik und Informationstechnik

FAU Erlangen-Nuernberg

26 / 462

Module mit KI-Bezug

von allen Modulen des Handbuchs

6 %

KI-Anteil

Modulanteil mit Beleg

209

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 209 belegte KI-Textstellen in 26 von insgesamt 462 Modulen dokumentiert; 16 dieser Textstellen sind Literaturbelege. Die Belege stammen aus 67 Lernzielen und 126 Inhaltsangaben; Prüfungsbelege liegen nicht vor. Eindeutig ableitbare Lernzielniveaus sind einmal analysieren/bewerten, viermal anwenden und dreimal kennen/verstehen.

Kategorienprofil

Kategorie 1 (KI als Fachinhalt) ist mit 51 Belegen in 7 Modulen dokumentiert. Im Modul „Introduction to Deep Learning“ werden unter anderem „Learning from data, machine learning and deep learning“, „Machine learning principles“, „Artificial neural networks“ und „Deep neural networks“ genannt. Außerdem wird angegeben, dass Studierende Grundlagen des Deep Learning einschließlich klassischer neuronaler Netzmodelle und aktueller Architekturen lernen sowie unterschiedliche Datentypen mit tiefen neuronalen Netzen verarbeiten.

Kategorie 2 (KI-Methoden und Algorithmen) ist mit 114 Belegen in 11 Modulen dokumentiert. In „Generative Models for Signal Processing“ werden Grundlagen der generativen KI sowie Techniken zur Generierung verschiedener Datentypen, insbesondere natürlicher Signale wie Audio, Bilder und Video, beschrieben. „Introduction to Deep Learning“ nennt die Implementierung von Modellen für Klassifikations- oder Regressionsaufgaben sowie „Convolutional neural networks“, „Back-propagation“, „Network optimization“, „Initialisation, regularisation“, „Deep network architectures“ und „Generative models“.

Kategorie 3 (KI-Anwendungen im Fachkontext) ist mit 32 Belegen in 10 Modulen dokumentiert. „Machine Learning for Control Systems“ beschreibt Anwendungen maschineller Lernverfahren in der Regelungstechnik, von Parameteridentifikationsaufgaben bis zu vollständig auf maschinellem Lernen basierenden Regelungsmethoden. Weitere Belege beziehen sich auf Merkmals- und Objektdetektion in Bildern und Videos, Computer-Vision-Anwendungen wie Panoramaerstellung, „Artificial Intelligence for efficient urban mobility“ sowie Anwendungsfelder wie Fahrerassistenzsysteme, autonomes Fahren und Fliegen, Robotik, industrielle Automatisierung und Logistik.

Kategorie 7 (KI-Literatur) ist mit 16 Belegen in 5 Modulen dokumentiert. Genannt werden unter anderem Goodfellow, Bengio und Courville, „Deep learning“, Friedman, Hastie und Tibshirani, „The elements of statistical learning“, Nielsen, „Neural Networks and Deep Learning“, sowie Tomczak, „Deep Generative Modeling“. Diese Belege sind Literaturangaben.

Die Kategorien 4 (Grundlagen mit explizitem KI-Bezug), 5 (KI als Lehr- und Lernmethode) und 6 (KI-Regulierung / Ethik / Recht) sind nicht nachgewiesen.

Verteilungsmuster

Die 209 belegten KI-Textstellen verteilen sich auf 26 von 462 Modulen. Die Kategorien 1 bis 3 treten jeweils in 7, 11 beziehungsweise 10 Modulen auf; Kategorie 7 tritt in 5 Modulen auf. Der zahlenmäßig größte Anteil der Belege entfällt auf KI-Methoden und Algorithmen mit 114 Belegen, gefolgt von KI als Fachinhalt mit 51 und KI-Anwendungen im Fachkontext mit 32 Belegen. Inhaltlich dokumentiert sind insbesondere Deep Learning, neuronale Netze, generative Modelle, Klassifikation und Regression sowie Anwendungen in Signalverarbeitung, Regelungstechnik, Bild- und Videoverarbeitung und Mobilität.

Gesamteinordnung

Die dokumentierten KI-Bezüge umfassen Fachinhalte, Methoden und Algorithmen, fachbezogene Anwendungen sowie Literaturangaben. Die Zitate benennen maschinelles Lernen, Deep Learning, künstliche neuronale Netze, generative KI und die Verarbeitung verschiedener Daten- und Signaltypen. Als im Handbuch vorkommende KI-Begriffe sind unter anderem „artificial intelligence“, „machine learning“, „deep learning“, „generative ai“, „computer vision“, „data mining“, „image processing“, „neural network“ und „autonomous systems“ dokumentiert.

Methodische Grenzen

Prüfungsbelege sind mit 0 nicht dokumentiert. Ein Lernzielniveau ist nur dort ausgewiesen, wo es eindeutig ableitbar war: einmal analysieren/bewerten, viermal anwenden und dreimal kennen/verstehen. Die 16 Literaturbelege stellen Literaturangaben dar.

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

Belege je Kategorie

K1 · KI als Fachinhalt

K2 · KI-Methoden und Algorithmen

106

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 67 (32 %)
Inhalt 126 (60 %)
Literatur 16 (8 %)

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

31 Begriffe, an beliebiger Stelle

ai artificial intelligence autonome systeme autonomous systems bayes bildverarbeitung classification computer vision convolutional neural cyber-physical data mining data science datenanalyse deep learning dimensionality reduction generative ai image processing klassifikation künstliche intelligenz machine learning maschinelles lernen ml mustererkennung neural network neuronale netze pattern recognition reinforcement learning representation learning robotics robotik support vector

Nicht nachgewiesene Leitbegriffe

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

natural language processing 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.

Art: Alle Lernziel 67 Inhalt 126 Literatur 16

1 Machine Learning for Control Systems 5 ECTS

14 Belege

Inhalt K1 · KI als Fachinhalt

„[Person] lecture teaches the basic concepts of machine learning methods, which are currently increasingly being used in control engineering. The applications range from simple parameter identification tasks to control methods based entirely on machine learning.“

Das Zitat nennt grundlegende Konzepte von Machine-Learning-Methoden und deren Einsatz in der Regelungstechnik mit konkreten Anwendungen.
Inhalt K2 · KI-Methoden und Algorithmen

„Iterative Learning Control“

Iterative Learning Control bezeichnet ein technisches Regelungsverfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„Linear Regression“

Lineare Regression ist ein konkret benanntes technisches Verfahren des maschinellen Lernens.
Inhalt K2 · KI-Methoden und Algorithmen

„Gaussian Process Regression“

Gaussian Process Regression ist ein konkret benanntes technisches Verfahren des maschinellen Lernens.
Inhalt K2 · KI-Methoden und Algorithmen

„Logistic Regression and Support Vector Machine“

Logistische Regression und Support Vector Machine sind konkret benannte technische Verfahren des maschinellen Lernens.
Inhalt K2 · KI-Methoden und Algorithmen

„Artificial Neural Networks“

Artificial Neural Networks sind ein konkret benanntes technisches Verfahren beziehungsweise Modell des maschinellen Lernens.
Inhalt K2 · KI-Methoden und Algorithmen

„Reinforcement Learning“

Reinforcement Learning ist ein konkret benanntes technisches Verfahren des maschinellen Lernens.
Inhalt K1 · KI als Fachinhalt

„[Person] lecture teaches the basic concepts of machine learning methods, which are currently increasingly being used in control engineering. The applications range from simple parameter identification tasks to control methods based entirely on machine learning.“

Das Zitat nennt grundlegende Konzepte von Machine-Learning-Methoden und deren Einsatz in der Regelungstechnik mit konkreten Anwendungen.
Inhalt K2 · KI-Methoden und Algorithmen

„Iterative Learning Control“

Iterative Learning Control bezeichnet ein technisches Regelungsverfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„Linear Regression“

Lineare Regression ist ein konkret benanntes technisches Verfahren des maschinellen Lernens.
Inhalt K2 · KI-Methoden und Algorithmen

„Gaussian Process Regression“

Gaussian Process Regression ist ein konkret benanntes technisches Verfahren des maschinellen Lernens.
Inhalt K2 · KI-Methoden und Algorithmen

„Logistic Regression and Support Vector Machine“

Logistische Regression und Support Vector Machine sind konkret benannte technische Verfahren des maschinellen Lernens.
Inhalt K2 · KI-Methoden und Algorithmen

„Artificial Neural Networks“

Artificial Neural Networks sind ein konkret benanntes technisches Verfahren beziehungsweise Modell des maschinellen Lernens.
Inhalt K2 · KI-Methoden und Algorithmen

„Reinforcement Learning“

Reinforcement Learning ist ein konkret benanntes technisches Verfahren des maschinellen Lernens.

auf eingebetteten Plattformen

2 Belege

Inhalt K3 · KI-Anwendungen im Fachkontext Niveau: anwenden

„Das Praktikum beinhaltet außerdem verschiedene Anwendungen computergestützten Sehens (Computer Vision).“

Das Zitat nennt verschiedene Anwendungen des computergestützten Sehens (Computer Vision).
Inhalt K2 · KI-Methoden und Algorithmen Niveau: anwenden

„Die Detektion von Merkmalen und Objekten in Bildern und Videos werden einführend behandelt und aktuelle Computer Vision Anwendungen, wie die Erstellung eines Panoramas werden betrachtet.“

Die Detektion von Merkmalen und Objekten bezeichnet technische Verfahren, während die Erstellung eines Panoramas als konkrete Computer-Vision-Anwendung genannt wird.

1 Informationstheorie und Codierung 5 ECTS

8 Belege

Inhalt K2 · KI-Methoden und Algorithmen

„2. Probability, entropy, and inference: entropy, conditional probability, Bayes law, likelihood, Jensens inequality“

Das Zitat nennt technische Inferenzverfahren wie bedingte Wahrscheinlichkeit, Bayessches Gesetz und Likelihood.
Inhalt K2 · KI-Methoden und Algorithmen

„3. Inference: inverse probability, statistical inference“

Das Zitat behandelt mit inverser Wahrscheinlichkeit und statistischer Inferenz technische Inferenzverfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„12. Message passing: distributed counting, path counting, low-cost path, min-sum (=Viterbi) algorithm“

Das Zitat nennt technische Algorithmen und Verfahren wie Message Passing, Pfadzählen und den Min-Sum- beziehungsweise Viterbi-Algorithmus.
Inhalt K2 · KI-Methoden und Algorithmen

„13. Exact marginalization in graphs: factor graphs, sum-product algorithm“

Das Zitat behandelt mit Faktorgraphen, exakter Marginalisierung und dem Sum-Product-Algorithmus technische Verfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„2. Wahrscheinlichkeit, Entropie und Inferenz: Entropie, bedingte Wahrscheinlichkeit, Bayessches Gesetz, Likelihood, Jensensche Ungleichung“

Das Zitat nennt technische Inferenzverfahren wie bedingte Wahrscheinlichkeit, Bayessches Gesetz und Likelihood.
Inhalt K2 · KI-Methoden und Algorithmen

„3. Inferenz: Inverse Wahrscheinlichkeit, statistische Inferenz“

Das Zitat behandelt mit inverser Wahrscheinlichkeit und statistischer Inferenz technische Inferenzverfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„12. Nachrichtenaustausch: verteiltes Zählen, Pfadzählen, günstigster Pfad, Minimumsummenalgorithmus“

Das Zitat nennt technische Algorithmen und Verfahren wie verteiltes Zählen, Pfadzählen und den Minimumsummenalgorithmus.
Inhalt K2 · KI-Methoden und Algorithmen

„13. Exakte Marginalisierung in Graphen: Faktorgraph, Summenproduktalgorithmus“

Das Zitat behandelt mit Faktorgraphen, Marginalisierung und dem Summenproduktalgorithmus technische Verfahren.