Entwickle intelligente AI-Anwendungen mit Deep Learning, Computer Vision, AI Agents, Large Language Models und RAG-Systemen und mache sie mit Explainable AI transparent und nachvollziehbar.
Steckbrief
- Abschluss
- CAS
- ECTS-Punkte
- 15
- Nächster Start
- 5.2.2027
- Dauer
- 18 Tage
- Durchführungssprache
- Deutsch, Grundkenntnisse in Englisch essenziell
- Durchführungsort
- FHNW Campus Brugg-Windisch
- Preis
- CHF 7'800
Ziele und Nutzen
Deep Learning ist eine Schlüsseltechnologie moderner AI-Systeme. In diesem praxisorientierten CAS erarbeitest du dir ein fundiertes Verständnis der wichtigsten Architekturen neuronaler Netze. Du lernst, wie du solche Modelle entweder von Grund auf trainierst oder bestehende Modelle gezielt einsetzt und anpasst.
Der Fokus liegt auf der praktischen Umsetzung moderner AI-Systeme mit Python und aktuellen Frameworks – von Deep-Learning-Modellen über multimodale Anwendungen bis hin zu agentischen AI-Systemen.
Neben dem methodischen Grundverständnis stehen zentrale Anwendungsgebiete von Deep Learning im Zentrum:
Computer Vision (z.B. Objekterkennung, semantische Segmentierung)
Natural Language Processing (z.B. Textklassifikation, LLMs, RAG, ALP)
AI AgentsunAgents und agentische Workflows dagentische Workflows konzipieren und entwickeln
Generative AI (z.B. Text- und Bildgenerierung, Prompting-Strategien)
Multimodale AI-Systeme für Text, Bild und Sprache entwickeln
Moderne AI-Anwendungen hinsichtlich Qualität, Robustheit und Explainability evaluieren
Die Umsetzung der AI-Anwendungen erfolgt praxisnah mit Python und aktuellen Technologien wiePyTorch, LangChain/LangGraph, OpenAI APIs, Vektordatenbanken und lokalen LLMs.
Zielpublikum
Du bist technisch interessiert und willst Deep-Learning-Anwendungen in Python umsetzen.
Inhalt und Aufbau
Im CAS Deep Learning steht die praxisnahe Vermittlung im Zentrum. Die theoretischen Inhalte werden durch «Hands-on»-Übungen im Unterricht sowie durch Projektarbeiten vertieft. Im Rahmen dieser Projektarbeiten können eigene Anwendungsfälle aus dem beruflichen oder persönlichen Umfeld bearbeitet werden.
Das Studium gliedert sich in fünf Module, von denen einige auch als einzelnes Fachvertiefungsmodul besucht werden können.
Deep Learning Grundlagen
- Einführung in Deep Learning und seine Werkzeuge (TensorFlow/PyTorch)
- Grundlegende Architekturtypen von tiefen neuronalen Netzen, z.B. Multi-Layer Perceptron, CNNs, RNNs, AutoEncoder
- Training eines tiefen neuronalen Netzes: Gradient Descent, Backpropagation, Hyperparameter Tuning, Loss-Funktionen
- Datensatzaufbereitung
Explainable AI
- Explainability und Interpretierbarkeit moderner AI-Systeme
- Modell-unabhängige Ansätze («Model agnostic methods» oder «Example based explanations») anwenden, um komplexere Modelle wie Ensembles oder Neuronale Netze zu interpretieren
- Vergleich verschiedener Explainable AI Methoden
- Praktische Anwendung von Explainable AI in Python
- Neuste Entwicklungen im Bereich «Explainable AI»
Computer Vision mit Deep Learning
- Einführung in die Bildklassifikation
- Grundlagen der Convolutional Neural Networks (CNNs)
- Fortgeschrittene Komponenten von CNNs, z.B. Inception Module, Residual Verbindungen, Squeeze-and-Excitation Blocks, Separable Convolution Blocks
- Trainingsstrategien für CNNs: Batch Normalization, Regularisierung
- Einführung in Objekterkennung und semantische Segmentierung in Bildern
- Grundlagen von generativer AI für Computer Vision
- Auto-Encoder, GANs und Diffusionsmodelle
- Stable Diffusion und seine Anwendungen
- Feintuning von Modellen
- Generierung und Nutzung synthetischer Daten
- Nutzung von Tools wie Hugging Face
Advanced Natural Language Processing (NLP)
Grundlagen zu Vektor-Repräsentationen von Dokumenten und Text
Netzwerkarchitekturen für NLP: RNNs, GRUs, Autoencoder und Transformer
Sequence-to-Sequence-Modellierung und Attention-Mechanismen
Transfer Learning und Representation Learning
NLP-Anwendungen mittels Deep Learning
Performance-Evaluation von NLP-Netze(z.B. BLEU Score)
Large Language Models & Generative AI
Large Language Models (LLMs)
Prompting-Strategien
Retrieval-Augmented Generation (RAG)
Vektordatenbanken
Multimodale Systeme
NLP Cloud Services
Grundlagen generativer AI für Text
Ethische und gesellschaftliche Auswirkungen generativer AI
Agentic AI
AI Agents und Multi-Agent-Systeme
Tool Calling und Function Calling
Agentische Workflows und RAG-Pipelines
AI-Agent-Frameworks
Memory und Planning
Evaluation agentischer Systeme
Speech & Audio
- Acoustic Language Processing (ALP)
Deep Reinforcement Learning
- Grundlagen zu Reinforcement Learning: Markov Decision Process, Policy and Value Function, Bellman Equation
- Deep Reinforcement Learning: Deep Q Learning (DQN) and friends
- Anwendungen von Reinforcement Learning
Dozierende
Der Grossteil der Dozierenden dieses Weiterbildungsprogramms kommen aus der Privatwirtschaft; die restlichen aus der angewandten Forschung. Das hat den grossen Vorteil, dass die Dozierenden nicht einfach nur den Inhalt aus Lehrbüchern vermitteln. Wegen ihrer langjährigen Erfahrungen können sie dir erklären, welche Konzepte und Technologien sich in verschiedenen Anwendungsfällen der Praxis bewährt haben.
Voraussetzungen und Zulassung
Die Aufnahmebedingungen umfassen:
- Du hast analytisches Interesse und beschäftigst dich bereits mit Datenverwaltung und -auswertung oder möchtest neu Deep Learning in Python umsetzen.
- Du hast einen Abschluss einer Fachhochschule, Universität, technischen Hochschule oder eine Berufsausbildung mit Praxiserfahrung. Personen, die über keinen Hochschulabschluss verfügen, können (sur Dossier) zugelassen werden, wenn sich die Befähigung zur Teilnahme aus einem anderen Nachweis ergibt.
Maximale Teilnehmendenzahl: 16 Personen pro Klasse
Organisatorisches
Zeitaufwand
Pro ECTS-Punkt wird mit einem durchschnittlichen Zeitaufwand von 25 Stunden gerechnet. Der CAS Data Science hat einen Umfang von 15 ECTS-Punkten. Deshalb ist mit einem Arbeitsaufwand von 375 Stunden zu rechnen.
Die Hälfte des Zeitaufwands ist dabei für das Selbststudium ausserhalb des Unterrichts für Kursvorbereitungen, Übungen, Repetition des Unterrichtsinhalts, Projektarbeiten und Prüfungsvorbereitungen zu reservieren.
Arbeitsmittel
Du arbeitest rund 40–50 % der Kurszeit am eigenen Notebook. Wir stellen dir detaillierte Anleitungen und die benötigten Werkzeuge (Software-Tools) zur Verfügung. Bitte installiere diese vorher auf dem Laptop und bring diesen jeweils in den Kurs mit.
Tritt mit uns in Kontakt
Info-Anlässe
Loading...
Anmeldung
Sichere dir jetzt deinen Platz.
Agentic AI & Deep LearningFrühlingssemester 2027
- Datum
- 5.2.2027–3.7.2027
- Dauer
- 18 Tage
- Ort
- FHNW Campus Brugg-Windisch