Der CAS Machine Intelligence vermittelt eine umfassende Grundlage im Bereich der Künstlichen Intelligenz. Neben Themen wie maschinellem Lernen und Deep Learning erlangt man durch praxisbezogene Projekte Kompetenzen in Anwendungen wie Computer Vision, Textanalyse und Advanced Big Data.
Zielpublikum:Das CAS Machine Intelligence 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 Machine Intelligence»:
- Wie schafft man optimale Bedingungen für maschinelles Lernen?
- Was bedeutet Deep Learning und wo lässt es sich einsetzen?
- Wie können Textanalysemethoden den emotionalen Ton in Kundenbewertungen ermitteln?
- Wie nutzt und verarbeitet man grosse Datenmengen effizient?
Inhalt:
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/scikit-learn 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 undrelevanten 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 recurrent neural networks)
- 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
- Vertiefte Konzepte neuester Big Data Technologien wie Apache Spark
- Einsatz von Big Data-Technologien für die Analyse von strukturierten und unstrukturierten Daten
- Verwendung von Streaming-Technologien und skalierbaren Machine Learning Algorithmen
- Big Data-Applikationen in unterschiedlichen Bereichen
