Das CAS Foundations of AI and Machine Learning vermittelt fundierte Grundlagen und praxisnahe Kompetenzen in den Bereichen Machine Learning, Deep Learning, Language AI und Reinforcement Learning. Die Teilnehmenden lernen, wie optimale Bedingungen für maschinelles Lernen geschaffen werden, wie moderne KI-Methoden funktionieren und in unterschiedlichen Anwendungsfeldern eingesetzt werden können. Anhand konkreter Beispiele und praktischer Anwendungen erwerben sie das Wissen, Daten zu analysieren, intelligente Systeme zu entwickeln und deren Potenziale für Wirtschaft und Gesellschaft zu beurteilen
Zielpublikum: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
Ziele: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
Inhalt:
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
