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

Machine Learning in Signal Processing

22 Belege

Lernziel K2 · KI-Methoden und Algorithmen

„understand regression and classification problems“

Regression und Klassifikation werden als technische Problemstellungen des Machine Learning genannt.
Lernziel K2 · KI-Methoden und Algorithmen

„apply PDF estimation algorithms“

Das Zitat nennt Algorithmen zur Schätzung von Wahrscheinlichkeitsdichtefunktionen.
Lernziel K2 · KI-Methoden und Algorithmen

„understand Gaussian mixture models and expectationmaximization“

Gaussian Mixture Models und Expectation-Maximization sind technische Machine-Learning-Verfahren.
Lernziel K2 · KI-Methoden und Algorithmen

„apply principal component analysis and independent component analysis“

Hauptkomponentenanalyse und unabhängige Komponentenanalyse werden als technische Verfahren genannt.
Lernziel K2 · KI-Methoden und Algorithmen

„assess different estimation algorithms“

Das Zitat bezieht sich auf die Bewertung verschiedener Schätzalgorithmen.
Lernziel K2 · KI-Methoden und Algorithmen

„apply hidden Markov models“

Hidden-Markov-Modelle werden als technisches Verfahren genannt.
Lernziel K1 · KI als Fachinhalt

„understand different artificial neural network architectures“

Das Zitat nennt verschiedene Architekturen künstlicher neuronaler Netze als Lehrinhalt.
Lernziel K1 · KI als Fachinhalt

„explain deep learning principles“

Das Zitat nennt Prinzipien des Deep Learning ausdrücklich.
Lernziel K2 · KI-Methoden und Algorithmen

„apply artificial neural networks“

Das Zitat beschreibt die Anwendung künstlicher neuronaler Netze als technisches Verfahren.
Lernziel K2 · KI-Methoden und Algorithmen

„devise learning strategies for deep neural networks“

Das Zitat bezieht sich auf Lernstrategien für tiefe neuronale Netze.
Lernziel K3 · KI-Anwendungen im Fachkontext

„assess the application of deep neural networks for speech processing tasks.“

Das Zitat bewertet die Anwendung tiefer neuronaler Netze auf Sprachverarbeitungsaufgaben.
Lernziel K2 · KI-Methoden und Algorithmen

„understand regression and classification problems“

Regression und Klassifikation werden als technische Problemstellungen des Machine Learning genannt.
Lernziel K2 · KI-Methoden und Algorithmen

„apply PDF estimation algorithms“

Das Zitat nennt Algorithmen zur Schätzung von Wahrscheinlichkeitsdichtefunktionen.
Lernziel K2 · KI-Methoden und Algorithmen

„understand Gaussian mixture models and expectationmaximization“

Gaussian Mixture Models und Expectation-Maximization sind technische Machine-Learning-Verfahren.
Lernziel K2 · KI-Methoden und Algorithmen

„apply principal component analysis and independent component analysis“

Hauptkomponentenanalyse und unabhängige Komponentenanalyse werden als technische Verfahren genannt.
Lernziel K2 · KI-Methoden und Algorithmen

„assess different estimation algorithms“

Das Zitat bezieht sich auf die Bewertung verschiedener Schätzalgorithmen.
Lernziel K2 · KI-Methoden und Algorithmen

„apply hidden Markov models“

Hidden-Markov-Modelle werden als technisches Verfahren genannt.
Lernziel K1 · KI als Fachinhalt

„understand different artificial neural network architectures“

Das Zitat nennt verschiedene Architekturen künstlicher neuronaler Netze als Lehrinhalt.
Lernziel K1 · KI als Fachinhalt

„explain deep learning principles“

Das Zitat nennt Prinzipien des Deep Learning ausdrücklich.
Lernziel K2 · KI-Methoden und Algorithmen

„apply artificial neural networks“

Das Zitat beschreibt die Anwendung künstlicher neuronaler Netze als technisches Verfahren.
Lernziel K2 · KI-Methoden und Algorithmen

„devise learning strategies for deep neural networks“

Das Zitat bezieht sich auf Lernstrategien für tiefe neuronale Netze.
Lernziel K3 · KI-Anwendungen im Fachkontext

„assess the application of deep neural networks for speech processing tasks.“

Das Zitat bewertet die Anwendung tiefer neuronaler Netze auf Sprachverarbeitungsaufgaben.

Generative Models for Signal Processing

4 Belege

Lernziel K1 · KI als Fachinhalt

„Understanding of state of the art in generative AI by a comprehensive introduction to the theory of generative modeling“

Das Zitat nennt generative KI und generatives Modellieren als explizite Fachinhalte.
Lernziel K1 · KI als Fachinhalt

„Paper reading ability by discussion of popular models and applications“

Das Zitat bezieht sich auf populäre Modelle und Anwendungen im Bereich generativer KI.
Lernziel K1 · KI als Fachinhalt

„Ability to realize projects by (non-mandatory) coding and penand-paper exercises“

Das Zitat nennt Coding- und Paper-and-Pencil-Projekte als Teil der fachlichen Auseinandersetzung im Kurs.
Lernziel K1 · KI als Fachinhalt

„Some prior machine learning courses, e.g., in deep learning or in statistical machine learning, are recommended but not mandatory“

Das Zitat nennt Machine-Learning-Kurse, darunter Deep Learning und statistisches Machine Learning, als empfohlene Vorkenntnisse.