Folgende Zielgruppen sollen angesprochen werden:

• 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

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

• Machine Learning
• Deep Learning
• Text Analytics
• Big Data Applications

Modul A "Machine Learning"

Lernziele

• 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-Algorithmenbibliotheken wie etwa Python/sklearn entwickeln

Inhalte

• Grundlagen, Einsatzkonzepte und Best Practices für Machine Learning (ML)
• Ausgewählte Machine Learning Algorithmen (Clustering, Classification, Anomaly Detection)
• Feature Engineering

Modul B "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 C "Text Analytics"

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 D "Advanced Big Data"

Aufbau und Verwendung von Big Data Technologie zur Durchführung von skalierbaren Analysen:

• Sie verstehen die Wesensmerkmale und den Aufbau sowie den Zweck von Big Data Systemen
• Sie können Big Data Systeme beurteilen und evaluieren
• Sie haben in den Praktika Hands-on Erfahrung mit State-of-the-Art Tools wie Apache Spark gesammelt

Inhalte

• Grundkonzepte neuester Big Data Technologien wie etwa Apache Spark
• Einsatz von Big Data Technologie für Analyse von strukturierten und unstrukturierten Daten
• Verwendung von Streaming Technologien und skalierbaren Machine Learning Algorithmen
• Big Data Applikationen in unterschiedlichen Bereichen

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

Das CAS Machine Intelligence wird berufsbegleitend absolviert. 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 Teilnehmerinnen und Teilnehmer das Gelernte an konkreten Beispielen, die mit einer entsprechenden Software auf dem eigenen Laptop bearbeitet werden.

Den individuellen Stundenplan erhalten die Studierenden spätestens einen Monat vor Studienbeginn. Die schulfreie Zeit richtet sich nach den Schulferien der Stadt Winterthur.

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

• Prof. Dr. Mark Cieliebak, InIT
• Prof. Dr. Oliver Dürr, Hochschule Konstanz
• Prof. Dr. Beate Sick, IDP
• Prof. Dr. Thilo Stadelmann, InIT
• Prof. Dr. Kurt Stockinger, InIT

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 Information Engineering.

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 Information Engineering.
• Bestehen eines Zulassungsgesprächs

Die Unterrichtssprache der Durchführungen mit Start im Februar ist Deutsch. Die Unterrichtssprache der Durchführungen mit Start im September ist 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.