CAS Foundations of AI and Machine Learning

Das CAS Foundations of AI and Machine Learning richtet sich an Fachpersonen mit technischem oder naturwissenschaftlichem Hintergrund und mehrjähriger Berufserfahrung, die fundierte Kompetenzen in Künstlicher Intelligenz und Machine Learning erwerben oder vertiefen möchten. Zur Zielgruppe gehören:

• Data Scientists
• Data- oder Business-Analysts
• Software Engineers und Entwickler:innen
• Spezialist:innen im Analytischen Marketing
• Ingenieur:innen, Naturwissenschaftler:innen und technische Fachpersonen mit Interesse an KI 
• Personen mit Verantwortung für KI- und Innovationsprojekte
• IT Projektleiter:innen und Berater:innen

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

• Wie schafft man optimale Bedingungen für maschinelles Lernen?
• Wie funktionieren moderne Deep-Learning-Modelle und Generative KI und wo kommen sie erfolgreich zum Einsatz?
• Wie verändern Large Language Models (LLMs) und Generative KI die Verarbeitung und Nutzung von Sprache? Wo liegen ihre Chancen und Grenzen?
• 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 und neuronale Netze
• Language AI und Large Language Models (LLMs)
• Reinforcement Learning und autonome Entscheidungsfindung

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 (Aufbau und Funktion neuronaler Netze)
• Training, Optimierung und Regularisierung von Deep-Learning-Modellen
• Moderne Architekturen wie Convolutional Neural Networks, Recurrent Neural Networks und Transformers und aktuelle Entwicklungen
• Anwendungen, wie Objekterkennung und Segmentierung und Evaluation von Deep-Learning-Modellen

Modul "Language AI Introduction"

Lernziele

• Sie kennen die wesentlichen Methoden der Language AI inklusive Large Language Models (LLMs)
• Sie können für eine konkrete Aufgabenstellung mit Texten als Modalität entscheiden, wie gut eine KI-basierte Lösung funktionieren könnte
• Sie können einfache Language AI Systeme  implementieren und deren Qualität evaluieren

Inhalte

• Einführung in moderne Language AI und Large Language Models (LLMs)
• Evaluation von Systemen, die hauptsächlich KI-basierte Textverarbeitung einsetzen
• Praktische Anwendungen wie Text-Klassifikation, Sentiment-Analyse, Topic Modelling oder Chatbots

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
• Dr. Nima Riahi, 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.
• Programmierkenntnisse in Python oder in einer anderen Programmiersprache (wie C, Java, etc.) sowie die Bereitschaft, sich Python vor Kursbeginn anzueignen
• Grundkenntnisse in Statistik und linearer Algebra

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.
• Programmierkenntnisse in Python oder in einer anderen Programmiersprache (wie C, Java, etc.) sowie die Bereitschaft, sich Python vor Kursbeginn anzueignen
• Grundkenntnisse in Statistik und linearer Algebra
• 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.