Das CAS Advanced Machine Learning and Machine Learning Operations richtet sich an Personen, die

• 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
• ihre Grundkenntnisse im ML bzw. Deep Learning vertiefen wollen
• als (künftige) Entscheider:innen nebst technischen auch ethische, rechtliche und gesellschaftliche Aspekte der Anwendung von KI-Systemen berücksichtigen müssen.

Das CAS Advanced Machine Learning and Machine Learning Operations bietet somit eine fundierte Weiterbildung für Softwareentwickler:innen, IT-Spezialisten, Ingenieur:innen, Naturwissenschaftler:innen und Datenpraktiker:innen. Es vermittelt das Handwerkszeug des ML Engineers, das für alle Entscheider:innen in technologiegetrieben Umfeldern hochrelevant ist.

Die Absolventen erwerben sowohl theoretische Grundlagen als auch praktische Fähigkeiten in den folgenden Bereichen:

• Machine Learning Operations (MLOps)
• Maschinelles Sehen mit Deep Learning (Computer Vision)
• Lernen zu Handeln und zu Steuern durch bestärkendes Lernen (Reinforcement Learning)
• Methoden für vertrauenswürdige KI (Trustworthy AI)

Das CAS Advanced Machine Learning and Machine Learning Operations besteht aus vier Modulen. Herzstück bildet das Modul Machine Learning Operations (MLOps), welches die Fähigkeiten zum Entwickeln und Betreiben von ML-Systemen unter Produktionsbedingungen vermittelt. Dieses wird ergänzt durch weiterführende und vertiefende Module: Computer Vision und Reinforcement Learning stellen erprobte neueste Erkenntnisse zu den wichtigsten und wachstumsstärksten ML-Methodiken dar; Trustworthy AI beleuchtet deren Einsatz nicht zuletzt unter ethischen und gesellschaftlichen Aspekten.

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

• Kenntnisse von Methoden, Tools und Frameworks, um ML-Systeme aufzubauen und in Produktion zu bringen
• Anwendung auf echte Use Cases in der Praxis
• Überblick über ML-Systeme und ML-Projektmanagement aus der Business-Perspektive

Modul "Computer Vision (CV)"

Inhalt

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

Lernziele

• Kenntnisse moderner Verfahren zur Lösung von CV-Problemen mit Deep Learning
• Fähigkeit, anhand konkreter Fragestellungen entsprechende Verfahren zu identifizieren
• Anwendung auf echte Use Cases

Modul "Reinforcement Learning (RL)"

Inhalt

• Einführung Reinforcement Learning
• Sequentielle Entscheidungsprozesse, Value Functions, Exploration-Exploitation
• Sampling-basierte Methoden: Temporal-difference learning, Q-learning
• Policy Gradient Methoden
• Deep RL

Lernziele

• Kenntnisse der grundlegenden Methoden und Algorithmen des RL
• Fähigkeit, anhand konkreter Fragestellungen entsprechende Verfahren zu identifizieren
• Anwendung auf echte Use Cases

Modul "Trustworthy AI"

Inhalt

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

Lernziele

• Verständnis von möglichen sozialen und ethischen Problemen durch KI-Anwendung
• Kenntnis des Zusammenhangs zwischen algorithmischem Bias und Fairness sowie Methoden, Bias zu messen und ggfs. zu kompensieren
• Grundwissen aktueller Stand der KI-Gesetzgebung und Normen

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).

Der Unterricht findet berufsbegleitend jeweils am Donnerstag von 9-17 Uhr (8 Lektionen) statt. Das CAS dauert rund 5 Monate. Den individuellen Stundenplan erhalten die Studierenden spätestens einen Monat vor Studienbeginn. Die schulfreie Zeit richtet sich nach den Schulferien der Stadt Zürich.

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

• Prof. Dr. Frank-Peter Schilling
• Dr. Claus Horn
• Dr. Ahmed Abdulkadir
• Prof. Dr. Christoph Heitz

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 Machine Intelligence 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 Machine Intelligence oder vergleichbare Kenntnisse (insbesondere Programmierung in Python, Grundkenntnisse und praktische Erfahrungen in ML-Methoden und Deep Learning).
• Bestehen eines Zulassungsgesprächs.

Wir führen keine Wartelisten und bieten keine Platzreservationen an.

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