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 Machine Learning

18 Belege

Inhalt K1 · KI als Fachinhalt

„Introduction to Machine Learning“

Das Zitat nennt ausdrücklich eine Einführung in Machine Learning als Lehrinhalt.
Inhalt K1 · KI als Fachinhalt

„Introduction to machine learning“

Das Zitat nennt ausdrücklich eine Einführung in Machine Learning als Lehrinhalt.
Inhalt K2 · KI-Methoden und Algorithmen

„[Person] hat zum Ziel, die Studierenden mit dem prinzipiellen Aufbau eines Mustererkennungssystems vertraut zu machen.“

Das Zitat behandelt den prinzipiellen Aufbau eines Mustererkennungssystems und damit ein technisches KI-Verfahren.
Inhalt K1 · KI als Fachinhalt

„Darüber hinaus werden Möglichkeiten vorgestellt, Merkmalsrepäsentationen direkt aus den Daten zu lernen.“

Das Zitat beschreibt das Lernen von Merkmalsrepräsentationen direkt aus Daten und damit einen Inhalt des maschinellen Lernens.
Inhalt K2 · KI-Methoden und Algorithmen

„Das Modul schließt mit einer Einführung in die maschinelle Klassifikation.“

Das Zitat nennt die maschinelle Klassifikation als technisches Verfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„In diesem Kontext wird der Bayes- und der Gauss-Klassifikator besprochen.“

Das Zitat behandelt den Bayes- und den Gauss-Klassifikator als konkrete Klassifikationsverfahren.
Inhalt K1 · KI als Fachinhalt

„In addition, ways to learn feature representations directly from the data are presented.“

Das Zitat beschreibt das Lernen von Merkmalsrepräsentationen direkt aus Daten und damit einen Inhalt des maschinellen Lernens.
Inhalt K2 · KI-Methoden und Algorithmen

„The module concludes with an introduction to machine classification.“

Das Zitat nennt die maschinelle Klassifikation als technisches Verfahren.
Inhalt K2 · KI-Methoden und Algorithmen

„In this context, the Bayes and Gauss classifiers are discussed.“

Das Zitat behandelt den Bayes- und den Gauss-Klassifikator als konkrete Klassifikationsverfahren.
Lernziel K1 · KI als Fachinhalt Niveau: kennen / verstehen

„verstehen die Basis von Repräsentationslernen“

Das Zitat nennt Repräsentationslernen ausdrücklich als Lerninhalt.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: kennen / verstehen

„erläutern die Grundlagen der statistischen Klassifikation (Bayes-Klassifikator)“

Das Zitat behandelt statistische Klassifikation und nennt den Bayes-Klassifikator.
Lernziel K2 · KI-Methoden und Algorithmen

„benutzen die Programmiersprache Python, um die vorgestellten Verfahren der Mustererkennung anzuwenden“

Das Zitat beschreibt die Anwendung vorgestellter Mustererkennungsverfahren mit Python.
Lernziel K2 · KI-Methoden und Algorithmen

„lernen praktische Anwendungen kennen und wenden die vorgestellten Algorithmen auf konkrete Probleme an“

Das Zitat nennt die Anwendung vorgestellter Algorithmen auf konkrete Probleme.
Lernziel K1 · KI als Fachinhalt

„understand the basis of representation learning“

Das Zitat nennt Repräsentationslernen ausdrücklich als Lerninhalt.
Lernziel K2 · KI-Methoden und Algorithmen

„explain the basics of statistical classification (Bayes classifier)“

Das Zitat behandelt statistische Klassifikation und nennt den Bayes-Klassifikator.
Lernziel K2 · KI-Methoden und Algorithmen

„use the programming language Python to apply the presented pattern recognition methods“

Das Zitat beschreibt die Anwendung vorgestellter Mustererkennungsmethoden mit Python.
Lernziel K2 · KI-Methoden und Algorithmen

„learn practical applications and apply the presented algorithms to concrete problems“

Das Zitat nennt die Anwendung vorgestellter Algorithmen auf konkrete Probleme.
Inhalt K2 · KI-Methoden und Algorithmen

„Sensor Data Acquisition, Preprocessing, Feature Extraction, and Machine Classification.“

Das Zitat führt Machine Classification als technisches Verfahren neben der Datenverarbeitung auf.

1 Robotics 2 5 ECTS

2 Belege

Inhalt K2 · KI-Methoden und Algorithmen

„• Motion planning: Time-optimal trajectory generation, collision checking, configuration space, local path planning, global path planning“

Das Zitat nennt technische Planungsverfahren und Algorithmen wie Trajektoriengenerierung, Kollisionsprüfung sowie lokale und globale Pfadplanung.
Lernziel K2 · KI-Methoden und Algorithmen

„• plan collision-free motions for robots in known environments using local and global planning algorithms“

Die Kernaussage betrifft die Anwendung lokaler und globaler Planungsalgorithmen zur kollisionsfreien Bewegungsplanung von Robotern.

Praktische Einführung in Machine Learning

8 Belege

Inhalt K1 · KI als Fachinhalt

„Praktische Einführung in Machine Learning“

Das Zitat nennt eine praktische Einführung in Machine Learning als expliziten KI-Fachinhalt.
Inhalt K1 · KI als Fachinhalt

„Practical introduction to machine learning“

Das Zitat nennt eine praktische Einführung in Machine Learning als expliziten KI-Fachinhalt.
Inhalt K1 · KI als Fachinhalt

„Grundlagen Machine Learning“

Das Zitat behandelt die Grundlagen von Machine Learning und damit einen expliziten KI-Fachinhalt.
Inhalt K1 · KI als Fachinhalt

„Vorgehensweise bei Machine Learning Projekten“

Das Zitat bezieht sich auf die Vorgehensweise bei Machine-Learning-Projekten und damit auf einen expliziten KI-Fachinhalt.
Inhalt K2 · KI-Methoden und Algorithmen Niveau: anwenden

„Praktische Übung zur Anwendung traditioneller Machine Learning Methoden“

Das Zitat nennt die Anwendung traditioneller Machine-Learning-Methoden und bezieht sich damit auf technische KI-Verfahren.
Inhalt K1 · KI als Fachinhalt

„Kurze Einführung in Neuronale Netze“

Das Zitat nennt eine Einführung in neuronale Netze als expliziten KI-Fachinhalt.
Lernziel K1 · KI als Fachinhalt Niveau: kennen / verstehen

„Die Studierenden lernen die ersten Grundlagen und Begrifflichkeiten zum Thema Machine Learning kennen und im Kontext Künstliche Intelligenz einzuordnen.“

Das Zitat nennt Grundlagen und Begrifflichkeiten zu Machine Learning und ordnet diese ausdrücklich in den Kontext Künstlicher Intelligenz ein.
Lernziel K1 · KI als Fachinhalt Niveau: anwenden

„Der Ablauf und die Durchführung von Machine Learning Projekten werden an praktischen Beispielen aufgezeigt und deren Potenziale und Herausforderungen diskutiert.“

Das Zitat behandelt den Ablauf und die Durchführung von Machine-Learning-Projekten sowie deren Potenziale und Herausforderungen.

EMV-Messtechnik

1 Beleg

Literatur K7 · KI-Literatur

„Machine Learning for Engineers I - Introduction to“