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

Introduction to Deep Learning

66 Belege

Inhalt K1 · KI als Fachinhalt

„students will learn the basics in deep learning, including classical neural network models and recent architectures.“

Das Zitat nennt Deep Learning, klassische neuronale Netze und aktuelle Architekturen als Lerninhalte.
Inhalt K1 · KI als Fachinhalt

„The students will acquire knowledge on processing different types of data with deep neural networks.“

Das Zitat behandelt die Verarbeitung verschiedener Datentypen mit tiefen neuronalen Netzen.
Inhalt K2 · KI-Methoden und Algorithmen

„In the exercises, the students will implement some of the standard models for classification or regression tasks and acquire knowledge on machine learning applications.“

Das Zitat nennt die Implementierung von Standardmodellen für Klassifikation und Regression sowie ausdrücklich Machine-Learning-Anwendungen.
Inhalt K1 · KI als Fachinhalt

„Learning from data, machine learning and deep learning“

Das Zitat nennt Machine Learning und Deep Learning als Lehrinhalte.
Inhalt K1 · KI als Fachinhalt

„Machine learning principles“

Das Zitat nennt Prinzipien des Machine Learning als Lehrinhalt.
Inhalt K1 · KI als Fachinhalt

„Artificial neural networks“

Das Zitat nennt künstliche neuronale Netze als Lehrinhalt.
Inhalt K1 · KI als Fachinhalt

„Convolutional neural networks“

Das Zitat nennt Convolutional Neural Networks als expliziten KI-Lehrinhalt.
Inhalt K2 · KI-Methoden und Algorithmen

„Back-propagation“

Back-Propagation ist ein technisches Lernverfahren für neuronale Netze.
Inhalt K2 · KI-Methoden und Algorithmen

„Network optimization“

Netzwerkoptimierung bezeichnet ein technisches Verfahren zur Optimierung von Modellen.
Inhalt K2 · KI-Methoden und Algorithmen

„Initialisation, regularisation“

Initialisierung und Regularisierung sind technische Verfahren beim Training von Modellen.
Inhalt K1 · KI als Fachinhalt

„Deep network architectures“

Das Zitat nennt Deep-Network-Architekturen als expliziten Deep-Learning-Lehrinhalt.
Inhalt K2 · KI-Methoden und Algorithmen

„Generative models“

Generative Modelle sind technische Modellverfahren des Machine Learning.
Inhalt K2 · KI-Methoden und Algorithmen

„Auto-encoders“

Auto-Encoder sind ein technisches Modellverfahren des Deep Learning.
Inhalt K2 · KI-Methoden und Algorithmen

„Sequential models“

Sequenzielle Modelle bezeichnen technische Modellverfahren.
Inhalt K3 · KI-Anwendungen im Fachkontext

„Deep learning applications“

Das Zitat behandelt Anwendungen von Deep Learning.
Lernziel K1 · KI als Fachinhalt

„Machine learning theory“

Das Zitat nennt Machine-Learning-Theorie als expliziten KI-Lehrinhalt.
Lernziel K1 · KI als Fachinhalt

„Artificial neural networks“

Das Zitat nennt künstliche neuronale Netze als Lehrinhalt.
Lernziel K1 · KI als Fachinhalt

„Deep neural networks“

Das Zitat nennt tiefe neuronale Netze als expliziten KI-Lehrinhalt.
Lernziel K1 · KI als Fachinhalt

„Modern architectures“

Das Zitat nennt moderne Architekturen im Kontext des Deep Learning.
Lernziel K2 · KI-Methoden und Algorithmen

„Model and parameter learning“

Modell- und Parameterschätzung bezeichnet technische Lernverfahren.
Literatur K7 · KI-Literatur

„Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning.“
Literatur K7 · KI-Literatur

„Friedman, J., Hastie, T., & Tibshirani, R. (2001). The elements of statistical learning.“
Inhalt K1 · KI als Fachinhalt

„students will learn the basics in deep learning, including classical neural network models and recent architectures.“

Das Zitat nennt Deep Learning, klassische neuronale Netze und aktuelle Architekturen als Lerninhalte.
Inhalt K1 · KI als Fachinhalt

„The students will acquire knowledge on processing different types of data with deep neural networks.“

Das Zitat behandelt die Verarbeitung verschiedener Datentypen mit tiefen neuronalen Netzen.
Inhalt K2 · KI-Methoden und Algorithmen

„In the exercises, the students will implement some of the standard models for classification or regression tasks and acquire knowledge on machine learning applications.“

Das Zitat nennt die Implementierung von Standardmodellen für Klassifikation und Regression sowie ausdrücklich Machine-Learning-Anwendungen.
Inhalt K1 · KI als Fachinhalt

„Learning from data, machine learning and deep learning“

Das Zitat nennt Machine Learning und Deep Learning als Lehrinhalte.
Inhalt K1 · KI als Fachinhalt

„Machine learning principles“

Das Zitat nennt Prinzipien des Machine Learning als Lehrinhalt.
Inhalt K1 · KI als Fachinhalt

„Artificial neural networks“

Das Zitat nennt künstliche neuronale Netze als Lehrinhalt.
Inhalt K1 · KI als Fachinhalt

„Convolutional neural networks“

Das Zitat nennt Convolutional Neural Networks als expliziten KI-Lehrinhalt.
Inhalt K2 · KI-Methoden und Algorithmen

„Back-propagation“

Back-Propagation ist ein technisches Lernverfahren für neuronale Netze.
Inhalt K2 · KI-Methoden und Algorithmen

„Network optimization“

Netzwerkoptimierung bezeichnet ein technisches Verfahren zur Optimierung von Modellen.
Inhalt K2 · KI-Methoden und Algorithmen

„Initialisation, regularisation“

Initialisierung und Regularisierung sind technische Verfahren beim Training von Modellen.
Inhalt K1 · KI als Fachinhalt

„Deep network architectures“

Das Zitat nennt Deep-Network-Architekturen als expliziten Deep-Learning-Lehrinhalt.
Inhalt K2 · KI-Methoden und Algorithmen

„Generative models“

Generative Modelle sind technische Modellverfahren des Machine Learning.
Inhalt K2 · KI-Methoden und Algorithmen

„Auto-encoders“

Auto-Encoder sind ein technisches Modellverfahren des Deep Learning.
Inhalt K2 · KI-Methoden und Algorithmen

„Sequential models“

Sequenzielle Modelle bezeichnen technische Modellverfahren.
Inhalt K3 · KI-Anwendungen im Fachkontext

„Deep learning applications“

Das Zitat behandelt Anwendungen von Deep Learning.
Lernziel K1 · KI als Fachinhalt

„Machine learning theory“

Das Zitat nennt Machine-Learning-Theorie als expliziten KI-Lehrinhalt.
Lernziel K1 · KI als Fachinhalt

„Artificial neural networks“

Das Zitat nennt künstliche neuronale Netze als Lehrinhalt.
Lernziel K1 · KI als Fachinhalt

„Deep neural networks“

Das Zitat nennt tiefe neuronale Netze als expliziten KI-Lehrinhalt.
Lernziel K1 · KI als Fachinhalt

„Modern architectures“

Das Zitat nennt moderne Architekturen im Kontext des Deep Learning.
Lernziel K2 · KI-Methoden und Algorithmen

„Model and parameter learning“

Modell- und Parameterschätzung bezeichnet technische Lernverfahren.
Literatur K7 · KI-Literatur

„Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning.“
Literatur K7 · KI-Literatur

„Friedman, J., Hastie, T., & Tibshirani, R. (2001). The elements of statistical learning.“
Inhalt K1 · KI als Fachinhalt

„students will learn the basics in deep learning, including classical neural network models and recent architectures.“

Das Zitat nennt Deep Learning, klassische neuronale Netze und aktuelle Architekturen als Lerninhalte.
Inhalt K1 · KI als Fachinhalt

„The students will acquire knowledge on processing different types of data with deep neural networks.“

Das Zitat behandelt die Verarbeitung verschiedener Datentypen mit tiefen neuronalen Netzen.
Inhalt K2 · KI-Methoden und Algorithmen

„In the exercises, the students will implement some of the standard models for classification or regression tasks and acquire knowledge on machine learning applications.“

Das Zitat nennt die Implementierung von Standardmodellen für Klassifikation und Regression sowie ausdrücklich Machine-Learning-Anwendungen.
Inhalt K1 · KI als Fachinhalt

„Learning from data, machine learning and deep learning“

Das Zitat nennt Machine Learning und Deep Learning als Lehrinhalte.
Inhalt K1 · KI als Fachinhalt

„Machine learning principles“

Das Zitat nennt Prinzipien des Machine Learning als Lehrinhalt.
Inhalt K1 · KI als Fachinhalt

„Artificial neural networks“

Das Zitat nennt künstliche neuronale Netze als Lehrinhalt.
Inhalt K1 · KI als Fachinhalt

„Convolutional neural networks“

Das Zitat nennt Convolutional Neural Networks als expliziten KI-Lehrinhalt.
Inhalt K2 · KI-Methoden und Algorithmen

„Back-propagation“

Back-Propagation ist ein technisches Lernverfahren für neuronale Netze.
Inhalt K2 · KI-Methoden und Algorithmen

„Network optimization“

Netzwerkoptimierung bezeichnet ein technisches Verfahren zur Optimierung von Modellen.
Inhalt K2 · KI-Methoden und Algorithmen

„Initialisation, regularisation“

Initialisierung und Regularisierung sind technische Verfahren beim Training von Modellen.
Inhalt K1 · KI als Fachinhalt

„Deep network architectures“

Das Zitat nennt Deep-Network-Architekturen als expliziten Deep-Learning-Lehrinhalt.
Inhalt K2 · KI-Methoden und Algorithmen

„Generative models“

Generative Modelle sind technische Modellverfahren des Machine Learning.
Inhalt K2 · KI-Methoden und Algorithmen

„Auto-encoders“

Auto-Encoder sind ein technisches Modellverfahren des Deep Learning.
Inhalt K2 · KI-Methoden und Algorithmen

„Sequential models“

Sequenzielle Modelle bezeichnen technische Modellverfahren.
Inhalt K3 · KI-Anwendungen im Fachkontext

„Deep learning applications“

Das Zitat behandelt Anwendungen von Deep Learning.
Lernziel K1 · KI als Fachinhalt

„Machine learning theory“

Das Zitat nennt Machine-Learning-Theorie als expliziten KI-Lehrinhalt.
Lernziel K1 · KI als Fachinhalt

„Artificial neural networks“

Das Zitat nennt künstliche neuronale Netze als Lehrinhalt.
Lernziel K1 · KI als Fachinhalt

„Deep neural networks“

Das Zitat nennt tiefe neuronale Netze als expliziten KI-Lehrinhalt.
Lernziel K1 · KI als Fachinhalt

„Modern architectures“

Das Zitat nennt moderne Architekturen im Kontext des Deep Learning.
Lernziel K2 · KI-Methoden und Algorithmen

„Model and parameter learning“

Modell- und Parameterschätzung bezeichnet technische Lernverfahren.
Literatur K7 · KI-Literatur

„Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning.“
Literatur K7 · KI-Literatur

„Friedman, J., Hastie, T., & Tibshirani, R. (2001). The elements of statistical learning.“