CAS Foundations of AI and Machine Learning

Das CAS Foundations of AI and Machine Learning richtet sich an folgende Zielgruppen:

• Professionals mit Hochschulabschluss und mit mehrjähriger Berufserfahrung als Daten- oder Business-Analysten
• Analytiker und Data Miner
• Spezialisten im Analytischen Marketing
• Ingenieure, Softwareentwickler und Softwarearchitekten
• IT Projektleiter und Berater

Folgende Fragestellungen stehen im Zentrum des CAS Foundations of AI and Machine Learning:

• Wie schafft man optimale Bedingungen für maschinelles Lernen?
• Was bedeutet Deep Learning und wo lässt es sich einsetzen?
• Wie lässt sich mit Textanalysemethoden ermitteln, ob sich jemand positiv oder negativ zu einem bestimmten Thema auf sozialen Netzwerken äussert?
• Wie lernen Systeme durch Interaktion mit ihrer Umgebung, und in welchen Anwendungsfällen kommt Reinforcement Learning zum Einsatz?

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

• Machine Learning
• Deep Learning
• Language AI
• Reinforcement Learning

Modul "Machine Learning"

Lernziele

• Die Teilnehmenden kennen die grundlegenden Konzepte und Anwendungsbereiche der KI und besitzen ein Überblickwissen zu zentralen Entwicklungen.
• Sie kennen die wesentlichen Grundlagen und Best Practices zum Einsatz von ML-Verfahren
• Sie können für einen gegebenen Datensatz ein geeignetes ML-Verfahren auswählen und die Features entsprechend aufbereiten
• Sie können selbstlernende Skripte unter Verwendung von ML-Algorithmen-Bibliotheken wie etwa Python/sklearn entwickeln

Inhalte

• Grundlagen, historische Entwicklung und Einordnung der Künstliche Intelligenz (KI)
• Grundlagen, Einsatzkonzepte und Best Practices für Machine Learning (ML)
• Ausgewählte Machine Learning Algorithmen (Clustering, Classification, Anomaly Detection)
• Feature Engineering

Modul "Deep Learning"

Lernziele

• Sie kennen und verstehen die Grundlagen und relevanten Architekturen des Deep Learnings
• Sie sind mit den neusten Entwicklungen im Deep Learning vertraut
• Sie sind in der Lage, mit dem in der Vorlesung vorgestellten und im Praktikum verwendeten Framework eigenständig geeignete Verfahren des Deep Learnings auf neue Fragestellungen anzuwenden

Inhalte

• Grundlagen des Deep Learnings (zum Beispiel Optimierung, logistische Regression, Neuronale Netze mit vielen Schichten, Autoencoder)
• Frameworks für Deep Learning: Es wird ein Framework für Deep Learning vertieft dargestellt (zum Beispiel TensorFlow).
• Deep Learning Architekturen (zum Beispiel convolutional neural networks und rekursive Neuronale Netze)
• Neuste Entwicklungen: Es wird auf neuste Entwicklungen, die sich in der Praxis durchsetzen haben eingegangen (zum Beispiel generative Modelle)

Modul "Language AI Introduction"

Lernziele

• Sie kennen die wesentlichen Methoden zur automatischen Textanalyse
• Sie können für eine konkrete Aufgabenstellung entscheiden, wie gut automatische Textanalyse dafür funktionieren könnte
• Sie können einfache Systeme zur automatischen Textanalyse implementieren und deren Qualität evaluieren

Inhalte

• Grundlagen, Einsatzkonzepte und Best Practices von automatischer Textanalyse
• Evaluation von Systemen zur automatischen Textanalyse
• Ausgewählte Anwendungen und Algorithmen (Text-Klassifikation, Sentiment-Analyse, Keyword Extraction etc.)

Modul "Reinforcement Learning"

Lernziele:

• Teilnehmende verstehen, wie RL zur Optimierung von Steuerungs- und Regelungsprozessen eingesetzt werden kann.
• Sie haben die Fähigkeit, anhand konkreter Fragestellungen RL-Verfahren zur Optimierung von Produktionsabläufen und zur autonomen Entscheidungsfindung zu identifizieren.
• Sie können lernfähige Steuerungsstrategien anhand echter Datensätze oder Simulationen entwickeln.

Inhalte

• Einführung Reinforcement Learning inklusive Deep RL
• Steuern und Regeln durch sequentielle Entscheidungsprozesse Value Functions und Exploration-Exploitation
• Sampling-basierte Methoden: Temporal-difference learning, Q-learning
• Policy Gradient Methoden

Das Programm umfasst verschiedene Aktivitäten, wie etwa Vorlesungen, praxisorientierte Übungen und Fallbeispiele, Gruppenarbeiten und Selbststudium (Vor- und Nachbereitung).

Modulprüfungen

Der Unterricht findet einmal pro Woche dienstags von 9:00 bis 17:00 (8 Lektionen) statt. Ein Unterrichtstag ist in zwei Blöcke von je 4 Lektionen unterteilt, wobei ein Block aus 2 Lektionen Unterricht und 2 Lektionen praktischem Arbeiten besteht. In den praktischen Arbeiten vertiefen die Teilnehmenden das Gelernte an konkreten Beispielen, die mit einer entsprechenden Software auf dem eigenen Laptop bearbeitet werden.

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:

• Prof. Frank-Peter Schilling, CAI
• Dr. Don Tuggener, CAI
• Dr. Philipp Denzel, CAI
• Dr. Jorge Pena Queralta, CAI
• Dr. Lilach Goren Huber, IDS

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.

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.
• Bestehen eines Zulassungsgesprächs

Februar Durchführungen: Der Unterricht ist grundsätzlich auf Deutsch, ein Modul auf Englisch
September Durchführungen: Der Unterricht aller Module ist auf Englisch 

Wir führen keine Wartelisten und bieten keine Platzreservationen an.
Sollte bei der vorangehenden Durchführung ein Platz frei werden, berücksichtigen wir die Reihenfolge gemäss Anmeldeeingang.