Moduldatenbank - Modul Maschinelles Lernen und Artificial Intelligence

ID	Skill
S7	Systemisches Denken	Beschreibt die Kompetenz, komplexe Sachverhalte und Systeme (z.B. psychologische, soziale und technische) in seine Elemente bzw. Subsysteme zerlegen und klassifizieren zu können und zwischen ihnen kausale Zusammenhänge und Widersprüche aufdecken zu können. Sie umfasst die Fähigkeit zur Planung, Umsetzung und Bewertung von Systemen, ihrer Subsysteme und Einflussfaktoren.
S8	Kritisches Denken	Umfasst die Kompetenz, veränderbare Variablen eines Sachverhalts zu erkennen, Folgen von veränderten Einflussfaktoren zu prognostizieren und Ideen, Informationen und Prozesse gemäß logischem Aufbau und Wahrheitsgehalt, z.B. anhand wissenschaftlicher oder anderer hochwertiger Quellen, zu prüfen.
S10	Reflexionskompetenz	Beschreibt die Kompetenz, das eigene Verhalten, Entscheidungen, Gefühle und Haltungen sowie das Verhalten anderer aus verschiedenen Perspektiven zu beleuchten und zu hinterfragen. Dies erfordert metakognitive Fähigkeiten und die Fähigkeit aus den eigenen Erfahrungen und dem Feedback anderer Schlüsse für künftiges Verhalten zu ziehen. Reflexion findet vor, während und nach einem Ereignis statt.
S11	Kommunikationskompetenz	Beschreibt die Kompetenz, Informationen und Gefühle verbal und non-verbal, digital oder analog, adressatengerecht, verständlich und rhetorisch ansprechend kommunizieren zu können. Sie umfasst die Fähigkeit zur Empathie, zum aktiven Zuhören und zur Anpassung des eigenen Verhaltens an Kommunikationspartner/innen und die jeweilige Situation.
S13	Lösungskompetenz	Setzt sich aus mehreren anderen Future Skills zusammen, die eine Person befähigen komplexe Problemstellungen zu verstehen, zu analysieren und Lösungen zu entwickeln, und die, je nach Kontext der Problemstellung und Phase des Lösungsprozesses variieren können.
S14	(Selbst-) Organisationskompetenz	Beschreibt die Kompetenz, das eigene Handeln, Prozesse und Aufgaben weitgehend selbstständig zu strukturieren, zu planen, an verändernde Bedingungen anzupassen und zielgerichtet agieren zu können. Zum Beispiel Entscheidungen zu treffen, Aufgaben zu priorisieren und die daraus resultierenden Folgen zu verantworten und zu reflektieren.
S18	Digitale und KI-Kompetenzen	Digitale und KI Kompetenzen sind die Kompetenzen, die eine Person befähigen digitale Medien, KI-Anwendungen und Technologien zu nutzen, zu gestalten und zielführende Anwendungsmöglichkeiten zu erkennen. Dazu gehört auch den Einfluss der digitalen Medien und Technologien auf die Arbeitswelt und den Alltag zu verstehen und deren Potentiale und Grenzen einschätzen zu können und Informationen kritisch mithilfe digitaler Hilfsmittel auf deren Wahrheitsgehalt zu prüfen.
S20	Kooperationskompetenz	Kooperationskompetenz ist die Kompetenz, mit Einzelpersonen und homogenen sowie heterogenen Gruppen, zusammenarbeiten zu können, hierbei Differenzen auszuhalten und beizulegen, Konsens zu schaffen und offen für Kompromisse zu sein. Dies beinhaltet Teammitglieder zu leiten, Arbeitsprozesse im Team planen, durchführen und abzuschließen zu können, sowie Kontakte zum Aufbau eines persönlichen Netzwerks zu knüpfen.

Skill

Definition

Beschreibt die Kompetenz, komplexe Sachverhalte und Systeme (z.B. psychologische, soziale und technische) in seine Elemente bzw. Subsysteme zerlegen und klassifizieren zu können und zwischen ihnen kausale Zusammenhänge und Widersprüche aufdecken zu können. Sie umfasst die Fähigkeit zur Planung, Umsetzung und Bewertung von Systemen, ihrer Subsysteme und Einflussfaktoren.

Kritisches Denken

Umfasst die Kompetenz, veränderbare Variablen eines Sachverhalts zu erkennen, Folgen von veränderten Einflussfaktoren zu prognostizieren und Ideen, Informationen und Prozesse gemäß logischem Aufbau und Wahrheitsgehalt, z.B. anhand wissenschaftlicher oder anderer hochwertiger Quellen, zu prüfen.

S10

Reflexionskompetenz

Beschreibt die Kompetenz, das eigene Verhalten, Entscheidungen, Gefühle und Haltungen sowie das Verhalten anderer aus verschiedenen Perspektiven zu beleuchten und zu hinterfragen. Dies erfordert metakognitive Fähigkeiten und die Fähigkeit aus den eigenen Erfahrungen und dem Feedback anderer Schlüsse für künftiges Verhalten zu ziehen. Reflexion findet vor, während und nach einem Ereignis statt.

S11

Kommunikationskompetenz

Beschreibt die Kompetenz, Informationen und Gefühle verbal und non-verbal, digital oder analog, adressatengerecht, verständlich und rhetorisch ansprechend kommunizieren zu können. Sie umfasst die Fähigkeit zur Empathie, zum aktiven Zuhören und zur Anpassung des eigenen Verhaltens an Kommunikationspartner/innen und die jeweilige Situation.

S13

Lösungskompetenz

Setzt sich aus mehreren anderen Future Skills zusammen, die eine Person befähigen komplexe Problemstellungen zu verstehen, zu analysieren und Lösungen zu entwickeln, und die, je nach Kontext der Problemstellung und Phase des Lösungsprozesses variieren können.

S14

(Selbst-) Organisationskompetenz

Beschreibt die Kompetenz, das eigene Handeln, Prozesse und Aufgaben weitgehend selbstständig zu strukturieren, zu planen, an verändernde Bedingungen anzupassen und zielgerichtet agieren zu können. Zum Beispiel Entscheidungen zu treffen, Aufgaben zu priorisieren und die daraus resultierenden Folgen zu verantworten und zu reflektieren.

S18

Digitale und KI-Kompetenzen

Digitale und KI Kompetenzen sind die Kompetenzen, die eine Person befähigen digitale Medien, KI-Anwendungen und Technologien zu nutzen, zu gestalten und zielführende Anwendungsmöglichkeiten zu erkennen. Dazu gehört auch den Einfluss der digitalen Medien und Technologien auf die Arbeitswelt und den Alltag zu verstehen und deren Potentiale und Grenzen einschätzen zu können und Informationen kritisch mithilfe digitaler Hilfsmittel auf deren Wahrheitsgehalt zu prüfen.

S20

Kooperationskompetenz

Kooperationskompetenz ist die Kompetenz, mit Einzelpersonen und homogenen sowie heterogenen Gruppen, zusammenarbeiten zu können, hierbei Differenzen auszuhalten und beizulegen, Konsens zu schaffen und offen für Kompromisse zu sein. Dies beinhaltet Teammitglieder zu leiten, Arbeitsprozesse im Team planen, durchführen und abzuschließen zu können, sowie Kontakte zum Aufbau eines persönlichen Netzwerks zu knüpfen.

Maschinelles Lernen und Artificial Intelligence

Code: WINF-B23-530

2V+1U+1PA (4 Semesterwochenstunden)

Studiensemester: 5

Pflichtfach: ja

Arbeitssprache:
Deutsch

Prüfungsart:
Projekt (mit Projektbericht)

[letzte Änderung 06.11.2025]

WINF-B23-530 (P460-0029) Digital Business und IT, Bachelor, SO 01.10.2023 , 5. Semester, Pflichtfach
WINF-B25-530 (P460-0041) Digital Business und IT, Bachelor, SO 01.10.2025 , 5. Semester, Pflichtfach

Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 5 Creditpoints 150 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 105 Stunden zur Verfügung.

Empfohlene Voraussetzungen (Module):
Keine.

Als Vorkenntnis empfohlen für Module:

Modulverantwortung:
Prof. Dr. Stefan Selle

Dozent/innen: Prof. Dr. Stefan Selle

[letzte Änderung 24.07.2023]

Lernziele:
Nach der Teilnahme an diesem Modul sind die Studierenden in der Lage,

• grundlegende Begriffe im Bereich Maschinelles Lernen und Künstliche Intelligenz auseinanderzuhalten und zu erklären,
• Zusammenhänge im Bereich Data Science, Maschinelles Lernen und Künstliche Intelligenz zu identifizieren,
• den Referenz-Datenanalyseprozess zu verstehen und anzuwenden,
• Datenanalyseverfahren und zugehörige Methoden des Maschinellen Lernens bzw. der Künstlichen Intelligenz anzuwenden und deren Ergebnisse zu bewerten,
• in selbstorganisierten Teams zu arbeiten,
• Arbeitsergebnisse zu verdichten und zu präsentieren,
• Projektergebnisse zu kritisieren und einzuschätzen.

[letzte Änderung 12.11.2025]

Inhalt:
Teil 1: Grundlagen

(a) Einführung & Grundbegriffe: Data Science, Data Literacy, Business Intelligence (BI), Data Warehouse (DWH), Data Mining (DM), Knowledge Discovery in Databases (KDD), Big Data, Predictive Analytics, Machine Learning (ML) vs. Expertensystem, Künstliche Intelligenz (KI), Turing-Test, Datenschutz & DSGVO, Datensicherheit, Datenethik, EU AI Act

(b) Künstliche Intelligenz & Generative KI: Schwache vs. starke KI, KI-Meilensteine, KI-Strömungen, Künstliche Neuronale Netze, Perzeptron, Aktivierungsfunktion, Multilayer-Perzeptron, Backpropagation, Gradientenverfahren, Deep Learning, Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Generative Adversarial Network (GAN), Transformer, Generative Pre-trained Transformer (GPT), Large Language Model (LLM), Foundation Model, Prompt Engineering, Reasoning

Teil 2: Maschinelles Lernen

(a) Nicht-überwachtes Lernen (Unsupervised Learning): Assoziationsanalyse, Clusteranalyse

(b) Überwachtes Lernen (Supervised Learning): Regressionsanalyse, Klassifikationsanalyse, Text Mining

(c) Bestärkendes Lernen (Reinforcement Learning)

Teil 3: Fallstudie

(a) Datengrundlagen & Datenanalyseprozess: Daten, Datentypen, Datenformate, Skalenniveaus, Datenqualität, Explorative Datenanalyse (EDA), Korrelationsanalyse, CRISP-DM, Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, Deployment

(b) Datenvorbereitung: Feature Engineering, One Hot Encoding, Binning, Skalierungen, Standardisierung, Transformation, Fluch der Dimensionalität, Overfitting, Rauschen

(c) Modellierung & Auswertung: Test-Design, Partitionierung, Sampling, Kreuzvalidierung, Stratifiziertes Sampling, Min-Max-Normierung, Manhattan-Distanz, Euklidische Distanz, Gütemaße, Genauigkeit, Konfusionsmatrix, Spezifität & Sensitivität, Präzision & Recall, F-Maß, Receiver Operating Characteristic (ROC), Area under ROC curve (AURC)

(d) ML-Methoden: k-nearest Neighbour (kNN), Naïve Bayes (NB), Decision Tree (DT), Multilayer Perceptron (MLP), Support Vector Machine (SVM), Logistic Regression (LR), Random Forest (RF), Gradient Boosted Trees (GBT)

Teil 4: Projektstudium

Bearbeitung einer neuen Fallstudie im Team.

[letzte Änderung 12.11.2025]

Weitere Lehrmethoden und Medien:
Inverted / Flipped Classroom durch E-Learning-Unterstützung (z.B. LMS Moodle): Speziell aufbereitete Unterlagen (z.B. Skript) / Medien (z.B. Videos) zum Selbststudium zu Fach- und Methodenwissen.

Laborpraktikum mit Übungen: Selbstständiges Arbeiten am PC zur Lösung konkreter Aufgabenstellungen mit betriebswirtschaftlichem Bezug durch Anwendung gelernter Methoden mit Hilfe geeigneter Werkzeuge (z.B. Anaconda/Python/Jupyter Notebook, KNIME Analytics Platform).

Projektarbeit: Fallstudien werden in selbstorganisierten Teams bearbeitet, die Ergebnisse präsentiert, und diskutiert.

[letzte Änderung 12.11.2025]

Literatur:
Tom Alby: Data Science in der Praxis: Data Science in der Praxis - Eine verständliche Einführung in alle wichtigen Data-Science-Verfahren, Rheinwerk Computing, Bonn, 2022.

Udo Bankhofer und Jürgen Vogel: Datenanalyse und Statistik – Eine Einführung für Ökonomen im Bachelor, Gabler Springer Verlag, Wiesbaden, 2008.

Michael R. Berthold, Christian Borgelt, Frank Höppner, Frank Klawonn, Rosario Silipo: Guide to Intelligent Data Science – How to Intelligently Make Use of Real Data, 2. Auflage, Springer Verlag, Berlin, 2020.

Wolfgang Ertel: Grundkurs Künstliche Intelligenz – Eine praxisorientierte Einführung, 6. Auflage, Springer Vieweg Verlag, Wiesbaden, 2025.

Ian Goodfellow, Yoshua Begnio, Aaron Courville: Deep Learning, The MIT Press, Cambridge (MA), 2016.

Joel Grus: Einführung in Data Science: Grundprinzipien der Datenanalyse mit Python, 2. Auflage, O’Reilly / dpunkt Verlag, Heidelberg, 2019.

Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden: Data Science – Grundlagen, Architekturen und Anwendungen, dpunkt Verlag, Heidelberg, 2019.

Steffen Herbold: Data-Science-Crashkurs – Eine interaktive und praktische Einführung, dpunkt Verlag, Heidelberg, 2022.

Tom M. Mitchell: Machine Learning, McGraw-Hill, New York, 1997.

Annalyn Ng und Kenneth Soo: Data Science – Was ist das eigentlich?! – Algorithmen des maschinellen Lernens verständlich erklärt, Springer Verlag, Berlin, 2018.

Forster Provost und Tom Fawcett: Data Science for Business - What you need to know about Data Mining and Data-Analytic Thinking, O’Reilly Verlag, Sebastopol, 2013.

Thomas A. Runkler: Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, Vieweg+Teubner Verlag, Wiesbaden, 2010.

Stuart Russel und Peter Norvig: Artificial Intelligence - A Modern Approach, 4. Auflage, Pearson Education, Upper Saddle River, 2021.

Stefan Selle: Data Science Training – Supervised Learning: Ein praktischer Einstieg ins überwachte maschinelle Lernen, Springer Vieweg Verlag, Wiesbaden, 2024.

Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal: Data Mining – Practical Machine Learning Tools and Techniques, 4. Auflage, Morgan Kaufmann, Burlington, 2016.

[letzte Änderung 13.11.2025]

[Sun Dec 7 08:59:56 CET 2025, CKEY=wmluai, BKEY=winf, CID=WINF-B23-530, LANGUAGE=de, DATE=07.12.2025]