Dieses Orientierungsmodul definiert den Umfang von Datenbereinigung und -aufbereitung, typische Anwendungsfälle und die Rolle des Themas in Künstliche Intelligenz, Daten und Automatisierung. Lernende klären Kursziele, Voraussetzungen, Lernplan und Erfolgskriterien. Arbeit mit künstlicher Intelligenz beginnt mit einer klar definierten Aufgabe und verlässlichen Eingaben. Datenarbeit erfordert außerdem Bereinigung, deskriptive Analyse und Visualisierung, bevor Schlussfolgerungen gezogen werden.

1. Datenbereinigung und -aufbereitung — Einstieg, Ziele und Lernplan — Lernziele und zentrale Fachkenntnisse
2. Datenbereinigung und -aufbereitung — Einstieg, Ziele und Lernplan — Begriffe, Terminologie und praktische Bedeutung
3. Datenbereinigung und -aufbereitung — Einstieg, Ziele und Lernplan — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Datenbereinigung und -aufbereitung — Einstieg, Ziele und Lernplan — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Datenbereinigung und -aufbereitung — Einstieg, Ziele und Lernplan — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Definieren Sie Ihr Lernziel, bewerten Sie Ihren aktuellen Wissensstand und legen Sie eine Arbeits- und Nachweismappe für den Kurs an.

Prüfung und Abschluss: Am Ende sollen Lernende Umfang, Grenzen und das eigene Lernziel klar erklären können.

Dieses Modul vermittelt Grundbegriffe, Fachterminologie und wichtige Abgrenzungen in Datenbereinigung und -aufbereitung anhand realistischer Beispiele aus Künstliche Intelligenz, Daten und Automatisierung. Ein Modell lernt oder nutzt Muster; Inferenz bezeichnet die Phase, in der ein trainiertes Modell ein Ergebnis erzeugt. Die Qualität eines Modells oder Ablaufs muss anhand klarer Kriterien wie Genauigkeit, Relevanz, Konsistenz, Latenz und Kosten bewertet werden.

1. Datenbereinigung und -aufbereitung — Grundbegriffe und Fachterminologie — Lernziele und zentrale Fachkenntnisse
2. Datenbereinigung und -aufbereitung — Grundbegriffe und Fachterminologie — Begriffe, Terminologie und praktische Bedeutung
3. Datenbereinigung und -aufbereitung — Grundbegriffe und Fachterminologie — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Datenbereinigung und -aufbereitung — Grundbegriffe und Fachterminologie — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Datenbereinigung und -aufbereitung — Grundbegriffe und Fachterminologie — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Erstellen Sie ein Mini-Glossar mit mindestens zehn Begriffen, erklären Sie jeden in eigenen Worten und ergänzen Sie ein Anwendungsbeispiel.

Prüfung und Abschluss: Lernende sollen Begriffe präzise definieren, verwandte Konzepte unterscheiden und im passenden Kontext verwenden können.

Dieses Modul verbindet zentrale Prinzipien, Modelle und Rahmenwerke von Datenbereinigung und -aufbereitung und untersucht Annahmen, Nutzen und Grenzen in Künstliche Intelligenz, Daten und Automatisierung. Bei generativer KI legt der Prompt Anweisung, Kontext, Einschränkungen und gewünschtes Ausgabeformat fest. Halluzinationen, Verzerrungen, Datenschutzlecks, Prompt Injection und Überautomatisierung sind reale Risiken; wichtige Ergebnisse brauchen Validierung und menschliche Kontrolle.

1. Datenbereinigung und -aufbereitung — Kernprinzipien, Modelle und Rahmenwerke — Lernziele und zentrale Fachkenntnisse
2. Datenbereinigung und -aufbereitung — Kernprinzipien, Modelle und Rahmenwerke — Begriffe, Terminologie und praktische Bedeutung
3. Datenbereinigung und -aufbereitung — Kernprinzipien, Modelle und Rahmenwerke — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Datenbereinigung und -aufbereitung — Kernprinzipien, Modelle und Rahmenwerke — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Datenbereinigung und -aufbereitung — Kernprinzipien, Modelle und Rahmenwerke — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Vergleichen Sie zwei Ansätze oder Modelle hinsichtlich Stärken, Grenzen, benötigter Eingaben und erwarteter Ergebnisse.

Prüfung und Abschluss: Lernende sollen die Auswahl eines Modells oder Rahmens begründen und dessen Grenzen erläutern können.

Dieses Modul führt in Werkzeuge, Ressourcen und professionelle Arbeitsabläufe von Datenbereinigung und -aufbereitung ein – von Eingaben und Dokumentation bis zu fertigen Ergebnissen in Künstliche Intelligenz, Daten und Automatisierung. Datenarbeit erfordert außerdem Bereinigung, deskriptive Analyse und Visualisierung, bevor Schlussfolgerungen gezogen werden. Arbeit mit künstlicher Intelligenz beginnt mit einer klar definierten Aufgabe und verlässlichen Eingaben.

1. Datenbereinigung und -aufbereitung — Werkzeuge, Ressourcen und professionelle Arbeitsabläufe — Lernziele und zentrale Fachkenntnisse
2. Datenbereinigung und -aufbereitung — Werkzeuge, Ressourcen und professionelle Arbeitsabläufe — Begriffe, Terminologie und praktische Bedeutung
3. Datenbereinigung und -aufbereitung — Werkzeuge, Ressourcen und professionelle Arbeitsabläufe — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Datenbereinigung und -aufbereitung — Werkzeuge, Ressourcen und professionelle Arbeitsabläufe — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Datenbereinigung und -aufbereitung — Werkzeuge, Ressourcen und professionelle Arbeitsabläufe — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Entwerfen Sie einen Beispielprozess mit Eingabe, Werkzeug/Ressource, Arbeitsschritt, Ausgabe, Kontrollpunkt und gespeichertem Nachweis.

Prüfung und Abschluss: Lernende sollen geeignete Werkzeuge auswählen und einen durchgängig nachvollziehbaren Arbeitsablauf aufbauen können.

Dieses Modul überführt Datenbereinigung und -aufbereitung in schrittweise anwendbare Methoden und behandelt Methodenauswahl, Reihenfolge, Entscheidungspunkte, Kontrollen und Ergebnisprüfung in Künstliche Intelligenz, Daten und Automatisierung. Die Qualität eines Modells oder Ablaufs muss anhand klarer Kriterien wie Genauigkeit, Relevanz, Konsistenz, Latenz und Kosten bewertet werden. Ein Modell lernt oder nutzt Muster; Inferenz bezeichnet die Phase, in der ein trainiertes Modell ein Ergebnis erzeugt.

1. Datenbereinigung und -aufbereitung — Methoden, Techniken und schrittweise Anwendung — Lernziele und zentrale Fachkenntnisse
2. Datenbereinigung und -aufbereitung — Methoden, Techniken und schrittweise Anwendung — Begriffe, Terminologie und praktische Bedeutung
3. Datenbereinigung und -aufbereitung — Methoden, Techniken und schrittweise Anwendung — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Datenbereinigung und -aufbereitung — Methoden, Techniken und schrittweise Anwendung — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Datenbereinigung und -aufbereitung — Methoden, Techniken und schrittweise Anwendung — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Wählen Sie eine realistische Aufgabe und gliedern Sie sie in Vorbereitung, Durchführung, Prüfung und Verbesserung; definieren Sie für jede Phase ein Erfolgskriterium. Erstellen Sie einen kleinen Ablauf: Problem und Eingaben definieren, Modell oder Methode auswählen, Prompt- bzw. Verarbeitungsschritte festlegen, zwei Qualitätsmaße definieren, einen Fehlerfall testen und die Ergebnisprüfung dokumentieren.

Prüfung und Abschluss: Lernende sollen die Methode anwenden, ihre Reihenfolge begründen und die Ergebnisprüfung erklären können.

Dieses Modul entwickelt Fähigkeiten in Datenbereinigung und -aufbereitung durch geführte Praxis, Anpassung, Feedback, Fehlerdiagnose und schrittweise Verbesserung in Künstliche Intelligenz, Daten und Automatisierung. Halluzinationen, Verzerrungen, Datenschutzlecks, Prompt Injection und Überautomatisierung sind reale Risiken; wichtige Ergebnisse brauchen Validierung und menschliche Kontrolle. Bei generativer KI legt der Prompt Anweisung, Kontext, Einschränkungen und gewünschtes Ausgabeformat fest.

1. Datenbereinigung und -aufbereitung — Geführte Praxis und Kompetenzaufbau — Lernziele und zentrale Fachkenntnisse
2. Datenbereinigung und -aufbereitung — Geführte Praxis und Kompetenzaufbau — Begriffe, Terminologie und praktische Bedeutung
3. Datenbereinigung und -aufbereitung — Geführte Praxis und Kompetenzaufbau — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Datenbereinigung und -aufbereitung — Geführte Praxis und Kompetenzaufbau — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Datenbereinigung und -aufbereitung — Geführte Praxis und Kompetenzaufbau — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Bearbeiten Sie dieselbe Aufgabe in zwei unterschiedlichen Szenarien und vergleichen Sie, welche Schritte sich ändern und warum. Erstellen Sie einen kleinen Ablauf: Problem und Eingaben definieren, Modell oder Methode auswählen, Prompt- bzw. Verarbeitungsschritte festlegen, zwei Qualitätsmaße definieren, einen Fehlerfall testen und die Ergebnisprüfung dokumentieren.

Prüfung und Abschluss: Lernende sollen Feedback nutzen, Fehler erkennen und eine verbesserte zweite Version erstellen können.

Dieses Modul überträgt Datenbereinigung und -aufbereitung auf Problemlösung und Entscheidungsfindung anhand realistischer Fälle aus Künstliche Intelligenz, Daten und Automatisierung, einschließlich unvollständiger Informationen, Zeitdruck und konkurrierender Ziele. Arbeit mit künstlicher Intelligenz beginnt mit einer klar definierten Aufgabe und verlässlichen Eingaben. Datenarbeit erfordert außerdem Bereinigung, deskriptive Analyse und Visualisierung, bevor Schlussfolgerungen gezogen werden.

1. Datenbereinigung und -aufbereitung — Reale Fälle, Problemlösung und Entscheidungsfindung — Lernziele und zentrale Fachkenntnisse
2. Datenbereinigung und -aufbereitung — Reale Fälle, Problemlösung und Entscheidungsfindung — Begriffe, Terminologie und praktische Bedeutung
3. Datenbereinigung und -aufbereitung — Reale Fälle, Problemlösung und Entscheidungsfindung — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Datenbereinigung und -aufbereitung — Reale Fälle, Problemlösung und Entscheidungsfindung — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Datenbereinigung und -aufbereitung — Reale Fälle, Problemlösung und Entscheidungsfindung — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Erstellen Sie eine Fallanalyse mit Problem, bestätigten Fakten, Annahmen, Optionen, gewählter Lösung und Begründung. Erstellen Sie einen kleinen Ablauf: Problem und Eingaben definieren, Modell oder Methode auswählen, Prompt- bzw. Verarbeitungsschritte festlegen, zwei Qualitätsmaße definieren, einen Fehlerfall testen und die Ergebnisprüfung dokumentieren.

Prüfung und Abschluss: Lernende sollen Optionen unter Unsicherheit vergleichen und Entscheidungen mit Nachweisen und klarer Begründung vertreten können.

Dieses Modul behandelt Qualität, Ethik, Risiko, Sicherheit und Berufsstandards in Datenbereinigung und -aufbereitung sowie Genauigkeit, Datenschutz, Verantwortung und Dokumentation in Künstliche Intelligenz, Daten und Automatisierung. Ein Modell lernt oder nutzt Muster; Inferenz bezeichnet die Phase, in der ein trainiertes Modell ein Ergebnis erzeugt. Die Qualität eines Modells oder Ablaufs muss anhand klarer Kriterien wie Genauigkeit, Relevanz, Konsistenz, Latenz und Kosten bewertet werden.

1. Datenbereinigung und -aufbereitung — Qualität, Ethik, Risiko, Sicherheit und Berufsstandards — Lernziele und zentrale Fachkenntnisse
2. Datenbereinigung und -aufbereitung — Qualität, Ethik, Risiko, Sicherheit und Berufsstandards — Begriffe, Terminologie und praktische Bedeutung
3. Datenbereinigung und -aufbereitung — Qualität, Ethik, Risiko, Sicherheit und Berufsstandards — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Datenbereinigung und -aufbereitung — Qualität, Ethik, Risiko, Sicherheit und Berufsstandards — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Datenbereinigung und -aufbereitung — Qualität, Ethik, Risiko, Sicherheit und Berufsstandards — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Erstellen Sie eine Risiko- und Qualitätscheckliste mit mindestens fünf Risiken, Präventionskontrollen, Prüfmethoden und Eskalationsschritten.

Prüfung und Abschluss: Lernende sollen Kriterien für hochwertige und ethische Ergebnisse definieren, wesentliche Risiken erkennen und geeignete Kontrollen empfehlen können.

Dieses fortgeschrittene Modul integriert Wissen aus Datenbereinigung und -aufbereitung in ein Projekt mit Ziel, Umfang, Aufgabenpaketen, Ressourcen, Qualitätsindikatoren und Lieferergebnissen für Künstliche Intelligenz, Daten und Automatisierung. Bei generativer KI legt der Prompt Anweisung, Kontext, Einschränkungen und gewünschtes Ausgabeformat fest. Halluzinationen, Verzerrungen, Datenschutzlecks, Prompt Injection und Überautomatisierung sind reale Risiken; wichtige Ergebnisse brauchen Validierung und menschliche Kontrolle.

1. Datenbereinigung und -aufbereitung — Fortgeschrittene Praxis, Projekt und Arbeitsintegration — Lernziele und zentrale Fachkenntnisse
2. Datenbereinigung und -aufbereitung — Fortgeschrittene Praxis, Projekt und Arbeitsintegration — Begriffe, Terminologie und praktische Bedeutung
3. Datenbereinigung und -aufbereitung — Fortgeschrittene Praxis, Projekt und Arbeitsintegration — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Datenbereinigung und -aufbereitung — Fortgeschrittene Praxis, Projekt und Arbeitsintegration — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Datenbereinigung und -aufbereitung — Fortgeschrittene Praxis, Projekt und Arbeitsintegration — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Entwerfen Sie ein kleines Abschlussprojekt mit Ziel, Umfang, fünf Aufgaben, zwei Risiken, zwei Qualitätsindikatoren und einem konkreten Lieferergebnis. Erstellen Sie einen kleinen Ablauf: Problem und Eingaben definieren, Modell oder Methode auswählen, Prompt- bzw. Verarbeitungsschritte festlegen, zwei Qualitätsmaße definieren, einen Fehlerfall testen und die Ergebnisprüfung dokumentieren.

Prüfung und Abschluss: Lernende sollen mehrere Kompetenzen in einem Projekt verbinden und die Beziehung zwischen Plan und tatsächlichem Ergebnis zeigen können.

Das Abschlussmodul bündelt das Gelernte aus Datenbereinigung und -aufbereitung, überführt es in Portfolio- und Karriereanwendung in Künstliche Intelligenz, Daten und Automatisierung und bereitet auf die Abschlussprüfung vor. Datenarbeit erfordert außerdem Bereinigung, deskriptive Analyse und Visualisierung, bevor Schlussfolgerungen gezogen werden. Arbeit mit künstlicher Intelligenz beginnt mit einer klar definierten Aufgabe und verlässlichen Eingaben.

1. Datenbereinigung und -aufbereitung — Abschlussbewertung, Portfolio und Karriereanwendung — Lernziele und zentrale Fachkenntnisse
2. Datenbereinigung und -aufbereitung — Abschlussbewertung, Portfolio und Karriereanwendung — Begriffe, Terminologie und praktische Bedeutung
3. Datenbereinigung und -aufbereitung — Abschlussbewertung, Portfolio und Karriereanwendung — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Datenbereinigung und -aufbereitung — Abschlussbewertung, Portfolio und Karriereanwendung — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Datenbereinigung und -aufbereitung — Abschlussbewertung, Portfolio und Karriereanwendung — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Wählen Sie Ihre drei stärksten Kursarbeiten und beschreiben Sie jeweils Problem, Methode, Ergebnis, Nachweis und nächste Verbesserung. Erstellen Sie einen kleinen Ablauf: Problem und Eingaben definieren, Modell oder Methode auswählen, Prompt- bzw. Verarbeitungsschritte festlegen, zwei Qualitätsmaße definieren, einen Fehlerfall testen und die Ergebnisprüfung dokumentieren.

Prüfung und Abschluss: Lernende sollen Konzepte, Methoden, Fallanalyse und Qualitätskontrollen gemeinsam einsetzen und Kompetenz in der Abschlussbewertung nachweisen können.