Machine Learning und KI verändern Produkte, Prozesse und Geschäftsmodelle. Das CAS Foundations of AI and Machine Learning vermittelt die technischen Grundlagen, um moderne KI-Verfahren zu verstehen, zu entwickeln und in der Praxis einzusetzen. Die Teilnehmenden erwerben fundierte Kompetenzen in Machine Learning, Deep Learning, Generative KI, Large Language Models (LLMs), Language AI und Reinforcement Learning. Anhand konkreter Fragestellungen und praktischer Anwendungen lernen sie, intelligente Systeme zu entwickeln und deren Potenziale fundiert zu beurteilen.
Zielpublikum: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
Ziele: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
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 (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
