Nach den bemerkenswerten Durchbrüchen des vergangenen Jahrzehnten verfügen wir heute über Modelle des maschinellen Lernens, die erstaunliche Leistungen erbringen. ML-Modelle mit extrem vielen einstellbaren Parametern (wie zum Beispiel Deep-Learning-Modelle) ermöglichen die Entwicklung menschenähnlicher Chatbots und selbstfahrender Autos. Sie werden die diesen Systemen zugrunde liegenden neuronalen Netzwerkmodelle und andere ML-Ansätze wie Entscheidungsbäume und Bayessches Lernen kennen lernen.
Das Programm ist ideal für alle, die daran interessiert sind, maschinelles Lernen tiefer zu verstehen und lernen. Programmiererfahrung ist erwünscht, ist aber nicht erforderlich, um ein erfahrener Programmierer zu sein. Um Studenten zu helfen, die in den letzten Jahren nicht viel programmiert haben, widmet sich das erste Modul nur der Aktualisierung Ihrer Programmierung skills in Python. Das Ziel ist, dass Sie am Ende des Kurses in der Lage sind, ML-Systeme direkt in ihrem Arbeitsumfeld anzuwenden. Dies entspricht in den meisten Unternehmen einer äusserst wertvollen und gefragten berufliche Qualifikation. Falls Sie Fragen zur Anmeldung haben oder überprüfen wollen, ob Ihre Kenntnisse für den Kurs ausreichen, können Sie sich jederzeit an Umberto Michelucci wenden. Wir beantworten gerne alle Fragen, die Sie haben. Die E-Mail-Adressen und Telefonnummern finden Sie rechts auf dieser Seite.
Modulübersicht:
Das Programm findet jährlich von Oktober bis Mai statt:
Modul 1 - Einführung
Mathe-Auffrischung: Lineare Algebra, Analysis, Statistik
Auffrischung im Programmieren: Python, Numpy, Matplotlib
Die Geschichte und Entwicklung von Machine Learning
Datenmanagement und Feature Engineering
Modul 2 - Machine Learning
Unsupervised Lernen
Supervised Learning
Künstliche neuronale Netze
Modell-Validierung
Modell-Diagnostik
Modul 3 – Deep Learning
Convolutional Neural Networks
Computer Vision
Generative Modelle
Rekurrente neuronale Netze
Natural Language Processing (NLP)
Transformers: Attention is all you need
Modul 4 – Weitere Arten von Machine Learning
Empfehlungssysteme
Entscheidungsbäume, Random Forest und Gradient Boosting
Bayessches Lernen und Bayessche Netze
Self-supervised Lernen
Reinforcement learning
Modul 5 – Produktionsbereitstellung und ML-Ops
Der Workflow des maschinellen Lernens
Modellbereitstellung in der Produktion
ML-Ops-Konzepte und Überlegungen
Architekturen der Bereitstellung: Edge, Cloud, Browser
Überwachung von Produktionsmodellen
Der Schwerpunkt liegt auf der praktischen Arbeit: jedes Thema wird mittels Python-Programmierung und Übungseinheiten in der Klasse bearbeitet. Für fortgeschrittene Themen werden kompetente Gastdozierende hinzugezogen. Voraussetzung für die Verleihung des CAS-ML Zertifikats ist die Teilnahme über die gesamte Kursdauer hinweg.
Transferarbeit:
Die Transferarbeit besteht aus einem Projekt, das von den Teilnehmenden an einem realen Datensatz durchgeführt wird. Der Prozess besteht aus den folgenden Schritten:
Die Teilnehmenden müssen ein Projekt/Problem aus ihrem Unternehmen oder aus eigenem Interesse vorschlagen
Der Vorschlag wird von den Dozierenden besprochen und genehmigt oder geändert
Die Teilnehmenden haben während des CAS Zeit, um unter Anleitung der Dozierenden an dem Projekt zu arbeiten
Die Projekte werden am letzten Tag des CAS präsentiert
Ziel ist es, dass die Teilnehmerinnen und Teilnehmer Erfahrungen mit einem realen Problem sammeln, das einen Mehrwert für ihren Lebenslauf oder für ihr Unternehmen darstellt.
Verwendete Technologien:
Python, Jupyter, Scikit Learn, Pandas, Numpy, Matplotlib
Tensorflow, Keras
GPUS und Hardware-Beschleunigung
AWS, MS-Azure, Google Cloud
Schliessen