Eingabe löschen

Zum Inhalt

Hauptnavigation

School of Engineering

Servicenavigation

Bachelorstudium

Die School of Engineering bietet zehn verschiedene Bachelorstudiengänge an. Der Unterricht ist praxisorientiert und bietet Ihnen bereits während des Studiums die Möglichkeit, potenzielle zukünftige Arbeitgeber kennenzulernen.

Wir tragen zu den meisten dieser Studiengänge bei, die sowohl im Vollzeit- als auch im Teilzeitmodell absolviert werden können, und sind besonders in den folgenden beiden beheimatet:

Aufbauend auf dem Grundstudium erhalten Sie jeweils fundierte Kenntnisse in Algorithmen, maschinellem Lernen, Data Mining und Künstlicher Intelligenz sowie einer Vielzahl  spezialisierter Themen aus den Kompetenzbereichen des Center for Artificial Intelligence.

Wir legen grossen Wert auf die Entwicklung der wissenschaftlichen und forschungsbezogenen Kompetenzen unserer Studierenden, da sie für die praktische Arbeit als Ingenieur im Umfeld von KI essentiell sind. Die Dozierenden am CAI sind jedoch nicht nur akademisch hervorragend qualifiziert, sondern verfügen auch über umfangreiche Berufserfahrung und ein breites Netzwerk an Kontakten. 

Im Rahmen des Studiums bieten sie im letzten Studienjahr eine begrenzte Anzahl an Möglichkeiten an, ein Forschungsprojekt durchzuführen. Diese Projekte zeichnen sich durch ihren klaren Forschungsfokus und ein höheres akademisches Anspruchsniveau aus. Damit verschaffen Sie sich einen Wettbewerbsvorteil für den erfolgreichen Abschluss Ihres Studiums und den anschliessenden Einstieg ins Berufsleben.

Studentische Arbeiten

Die vollständige Liste aller studentischen Arbeiten, welche von Expertinnen und Experten am CAI betreut wurden, finden Sie hier. Untenstehend sehen Sie eine der erfolgreichen Bachelorarbeiten als Beispiel. Sie gewann zahlreiche Preise und wurde auch wissenschaftlich publiziert. 

KI-basierte Zellsegmentierung für schnelle Erkennung von Schilddrüsenkrebs

Bachelorarbeit (Informatik)

Die Fluoreszenzpolarisation (Fpol) von Methylenblau (MB) ist ein vielversprechender quantitativer Ansatz zur Erkennung von Schilddrüsenkrebs. Die klinische Umsetzung der MB-Fpol-Technologie erfordert eine Verkürzung der Datenanalysezeit, die durch eine auf Deep Learning basierende automatische Zellsegmentierung mit einem 2D-U-Net-basierten neuronalen Netz erreicht werden kann. Die für die automatische Verarbeitung benötigte Zeit wurde auf 10 Sekunden reduziert, während für die manuelle Datenverarbeitung eine Stunde benötigt wurde. https://www.nature.com/articles/s41598-024-64855-2

 

Privatsphäre-Einstellungen

Wir zeigen Ihnen hier, welche Dienste auf unserer Website laufen können. Sie entscheiden selbst, welche Dienste wir nutzen dürfen. Mehr Informationen finden Sie in unseren Datenschutzhinweisen.

Unsere Website braucht diese Cookies, damit alles richtig funktioniert. Diese Cookies werden automatisch erstellt, wenn Sie auf der Seite aktiv sind – zum Beispiel, wenn Sie Datenschutz-Einstellungen ändern oder Formulare ausfüllen. In Ihrem Browser können Sie die Cookies zwar sperren oder sich warnen lassen. Dann werden aber einige Teile der Website nicht mehr richtig angezeigt. Diese Cookies speichern keine persönlichen Daten von Ihnen.

Mit diesen Diensten können wir sehen, wie unsere Website genutzt wird. Wir wissen aber nicht, wer Sie sind. Wenn Sie diese Dienste aktivieren, helfen Sie uns, die Website für alle besser zu machen.