Nach den bemerkenswerten Durchbrüchen der vergangenen Jahrzehnte verfügen wir heute über Modelle des maschinellen Lernens, die erstaunliche Leistungen erbringen. ML-Modelle mit vielen einstellbaren Parametern (wie zum Beispiel Deep-Learning-Modelle) ermöglichen die Entwicklung menschenähnlicher Chatbots und selbstfahrender Autos. Die Weiterbildung vermittelt die diesen Systemen zugrunde liegenden neuronalen Netzwerkmodelle und andere ML-Ansätze wie Entscheidungsbäume und Bayessches Lernen.
Das CAS Machine Learning eignet sich für alle, die daran interessiert sind, maschinelles Lernen tiefer zu verstehen und erlernen. Programmiererfahrung ist erwünscht, aber nicht erforderlich. Um Teilnehmende zu unterstützen, die in den letzten Jahren nicht viel programmiert haben, widmet sich das erste Modul nur der Aktualisierung Ihrer Programmierung-Skills in Python. Falls Sie Fragen zu den Anforderungen haben, können Sie sich gerne an den Programmleitenden wenden.
Das Ziel ist, dass Sie am Ende der Weiterbildung in der Lage sind, ML-Systeme direkt in ihrem Arbeitsumfeld anzuwenden. Damit verfügen Sie über eine wertvolle und gefragte berufliche Qualifikation.
Module und Inhalte
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 Gruppe bearbeitet. Für fortgeschrittene Themen werden kompetente Gastdozierende hinzugezogen. Voraussetzung für die Verleihung des CAS-Zertifikats ist die Teilnahme über die gesamte Programmdauer 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 der Weiterbildung Zeit, um unter Anleitung der Dozierenden an dem Projekt zu arbeiten.
- Die Projekte werden am letzten Tag des CAS-Programms 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
