CAS Advanced Machine Learning and Machine Learning Operations

Das CAS richtet sich an Personen, die

• ihre Fähigkeiten im Bereich der ML und Deep Learning Entwicklung erweitern möchten.
• selbst ML-basierte Anwendungen im beruflichen Umfeld (sei es in Industrie, Verwaltung oder Forschung) implementieren wollen und daher an der Operationalisierung von ML (MLOps) sowie dem Aufbau von ML-Systemen in der Praxis interessiert sind.
• als (künftige) Entscheider:innen nebst technischen auch ethische, rechtliche und gesellschaftliche Aspekte der Anwendung von KI-Systemen berücksichtigen wollen.

Folgende Fragestellungen stehen im Zentrum des CAS Advanced Machine Learning and Machine Learning Operations:

• Wie gestaltet man den Lebenszyklus von MLAlgorithmen, sodass sie in einer Produktionsumgebung sicher und effizient funktionieren?
• Wie können Large Language Models (LLMs) verwendet werden, um spezifische Aufgaben in Ihrer Anwendung zu unterstützen (z.B. Textklassifizierung, automatische Erstellung von Inhalten, Sentimentanalysen etc.)?
• Wie können Deep Learning und Computer Vision Techniken und Algorithmen visuelle Informationen verstehen und interpretieren?
• Wie können Sie ein Reinforcement Learning-Modell verwenden, um einen Prozess oder Ablauf zu steuern?
• Welche Massnahmen können Sie ergreifen, um sicherzustellen, dass Ihre KI-Systeme fair und vertrauenswürdig sind?

Das CAS Advanced Machine Learning and Machine Learning Operations ist modular aufgebaut und besteht aus folgenden Modulen.

Modul "Machine Learning Operations (MLOps)"

Inhalt

• Einführung MLOps und ML-Systeme
• Daten-Infrastruktur, -Werkzeuge und -Processing
• Modellentwicklung und -Debugging
• Deployment-Infrastruktur und -Werkzeuge
• Monitoring, Continual Learning
• ML-Projektmanagement

Lernziele

• Teilnehmende haben fundierte Kenntnisse der Methoden, Tools und Frameworks, die notwendig sind, um ML-Systeme zu entwickeln und zur Anwendung zu bringen
• Sie verfügen über einen Überblick über ML-Systeme und ML-Projektmanagement aus der Business-Perspektive
• Sie können relevante Tools und Methoden implementieren und in ein funktionales MLOps System integrieren.

Modul "Language AI Advanced"

Inhalt

• Vertiefung Large Language Models: Architekturen, lokales Deployment und Fine-Tuning
• LLM-Apps und LLMOps: Agents, agentische Workflows, Function Calling und Orchestrierung
• Techniken zur Evaluation
• «Chat to your data» mit Retrieval Augmented Generation (RAG)
• Fortgeschrittene Muster: Multi-Agent-Systeme, Agentic RAG und Reasoning

Lernziele

• Sie können LLMs bezogen auf konkrete Use Cases mit lokaler Infrastruktur betreiben und fine-tunen.
• Sie können komplexe Agents, agentische Workflows und RAG-Systeme entwerfen und implementieren.
• Sie können LLM-basierte Systeme systematisch evaluieren.
• Sie kennen fortgeschrittene Anwendungsmuster von LLMs und können diese in eigenen Projekten einsetzen.

Modul "Computer Vision (CV)"

Inhalt

• Einführung in Computer Vision mit Hilfe von Deep Learning Methoden
• Bildklassifizierung, Objekterkennung und Segmentierung
• Generative Modelle
• Spezielle Anwendungen

Lernziele

• Teilnehmende kennen moderne Verfahren zur Lösung von CV-Problemen mit Deep Learning.
• Sie können anhand konkreter Fragestellungen entsprechende Verfahren identifizieren.
• Sie können CV-Techniken auf realen Datensätzen anwenden.

Modul "Responsible AI"

Inhalt

• Einführung: Dimensionen der Vertrauenswürdigkeit
• Erklärbare Modelle
• Algorithmische Fairness
• Ethische Aspekte: Risiken durch KI
• Regulatorische Aspekte: Normen, Gesetzgebung

Lernziele

• Teilnehmende verstehen soziale und ethische Probleme, die mit KI-Anwendung einhergehen.
• Sie erlangen Kenntnisse des Zusammenhangs zwischen algorithmischem Bias und Fairness und sind in der Lage, diesen Bias zu messen und zu kompensieren.
• Sie sind in der Lage, komplexe KI-Modelle mit geeigneten Methoden der Explainable AI zu analysieren und deren Entscheidungen kritisch zu interpretieren.
• Sie sind mit dem aktuellen Stand der KI-Gesetzgebung und den relevanten Normen vertraut.

Das Weiterbildungsprogramm umfasst verschiedene Aktivitäten, wie etwa Vorlesungen, praxisorientierte Programmierübungen (Labs) und Use Cases, Team-Arbeiten, Selbststudium (Vor- und Nachbereitung) und Elemente des E-Learning (Online- bzw. Hybridunterricht, wo sinnvoll).

Modulprüfungen

Der Unterricht findet berufsbegleitend jeweils am Freitag von 9-17 Uhr (8 Lektionen) statt. Das CAS dauert rund 5 Monate. 

Den Stundenplan finden Sie hier.

Das Team der Dozierenden besteht aus ausgewiesenen Fachpersonen mit Kompetenzen im akademischen und praktischen Bereich. Hier ein Auszug der Dozierendenliste:

• Dr. Frank-Peter Schilling
• Dr. Ahmed Abdulkadir 
• Prof. Dr. Christoph Heitz
• Dr. Jan Deriu
• Prof. Dr. Jasmina Bogojeska
• Dr. Ricardo Chavarriaga

Zulassungsbedingungen für Personen mit Hochschulabschluss

Die Zulassung zum Lehrgang setzt voraus:

• Abschluss (Diplom, Lizentiat, Bachelor- oder Masterabschluss) einer staatlich anerkannten Hochschule beziehungsweise einer der Vorgängerschulen.
• 2 Jahre qualifizierte Berufserfahrung zum Zeitpunkt des Starts der Weiterbildung.
• Erfolgreicher Abschluss des CAS Foundations of AI and Machine Learning oder vergleichbare Kenntnisse (insbesondere Programmierung in Python, Grundkenntnisse und praktische Erfahrungen in ML-Methoden und Deep Learning)

Zulassungsbedingungen für Personen ohne Hochschulabschluss

Die Zulassung zum Lehrgang setzt voraus:

• Nachweis eines Abschlusses in der höheren Berufsbildung (Tertiär-B): Berufsprüfung BP (eidgenössischer Fachausweis) oder Höhere Fachprüfung HFP (eidgenössisches Diplom) oder Höhere Fachschule HF. In Ausnahmefällen können weitere Personen zugelassen werden, wenn sich deren Befähigung zur Teilnahme aus einem anderen Nachweis ergibt.
• 3 Jahre qualifizierte Berufserfahrung zum Zeitpunkt des Starts der Weiterbildung.
• Erfolgreicher Abschluss des CAS Foundations of AI and Machine Learning oder vergleichbare Kenntnisse (insbesondere Programmierung in Python, Grundkenntnisse und praktische Erfahrungen in ML-Methoden und Deep Learning).
• Bestehen eines Zulassungsgesprächs.

Ab Kursstarts 2027:

Die Online-Anmeldung erfolgt in drei Schritten. 
1. Switch edu-ID erstellen
2. Erforderliche Unterlagen zum Hochladen bereit halten
3. Online-Anmeldung ausfüllen und einreichen

Detaillierte Informationen zum Ablauf der Online-Anmeldung finden Sie hier (PDF 113 kB).

Wir führen keine Wartelisten und bieten keine Platzreservationen an.

Sollte bei der vorangehenden Durchführung ein Platz frei werden, berücksichtigen wir die Reihenfolge gemäss Anmeldeeingang.