CAS Deep Learning, Hochschule für Informatik FHNW

Deep Learning ist eine Schlüsseltechnologie der AI-Entwicklung. 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.

Neben dem methodischen Grundverständnis stehen zentrale Anwendungsgebiete von Deep Learning im Fokus:

• Computer Vision (z.B. Objekterkennung, semantische Segmentierung)
• Natural Language Processing (z.B. Textklassifikation, LLMs, RAG, ALP)
• Generative AI (z.B. Text- und Bildgenerierung, Prompting-Strategien, Agentic AI).

Ergänzend werden Techniken der Explainable AI vermittelt, um die Entscheidungen neuronaler Netze transparent und nachvollziehbar zu machen.

Zielpublikum

Du bist technisch interessiert und willst Deep-Learning-Anwendungen in Python umsetzen.

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 eigne 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.

In diesem Modul erhältst du eine Einführung in Deep Learning. Du lernst, neuronale Netze von Grund auf zu verstehen, zu trainieren und für praktische Anwendungsfälle vorzubereiten. Du beschäftigst dich mit typischen Netzwerkarchitekturen sowie mit den wichtigsten Schritten des Trainingsprozesses. Wir zeigen dir, wie eine geeignete Datensatzaufbereitung die Modellqualität beeinflusst.

Technologien und Methoden im Modul

• Sprache: Python
• Werkzeuge: TensorFlow, PyTorch
• Architekturtypen: Multi-Layer Perceptron, CNNs, RNNs, AutoEncoder
• Trainingsverfahren: Gradient Descent, Backpropagation, Hyperparameter Tuning, Loss-Funktionen
• Thema: Datensatzaufbereitung

In diesem Modul vertiefst du dein Verständnis von Explainable AI und lernst, weshalb Interpretierbarkeit im Kontext von Machine Learning zentral ist. Du untersuchst zunächst die Interpretierbarkeit einfacher Modelle und gehst danach zu Modell-unabhängigen Ansätzen über, mit denen sich komplexere Modelle wie Ensembles oder neuronale Netze erklären lassen. Du vergleichst verschiedene Explainable-AI-Methoden und setzt sie praktisch in Python um. Zudem setzt du dich mit neusten Entwicklungen im Bereich Explainable AI auseinander und erhältst so einen Überblick über aktuelle Ansätze und Trends.

Technologien und Methoden im Modul

• Sprache: Python
• Methode:
• Explainable AI im Kontext von Machine Learning
• Modell-unabhängige Ansätze («Model agnostic methods», «Example based explanations») für komplexe Modelle (Ensembles, neuronale Netze)
• Praktische Umsetzung von Explainable AI in Python

Hier bekommst du eine Einführung in die Bildklassifikation und lernst die Grundlagen künstlicher neuronaler Netzwerke (CNN) kennen. Dieses Wissen vertiefst du mit fortgeschrittenen Komponenten von CNNs und arbeitest mit gängigen Trainingsstrategien. Du erhältst eine Einführung in Objekterkennung und semantische Segmentierung in Bildern. Zudem lernst du Grundlagen von generativer AI für Computer Vision kennen und wendest Feintuning-Techniken an, um Modelle für konkrete Anwendungsfälle zu optimieren. Abgerundet wird das Modul durch die Generierung und Nutzung synthetischer Daten sowie den Einsatz von Tools wie Hugging Face.

Technologien und Methoden im Modul

• CNN-Komponenten: Inception Module, Residual Verbindungen, Squeeze-and-Excitation Blocks, Separable Convolution Blocks
• Trainingsstrategien: Batch Normalization, Regularisierung
• Computer-Vision-Aufgaben: Bildklassifikation, Objekterkennung, semantische Segmentierung
• Generative AI: Auto-Encoder, GANs, Diffusionsmodelle, Stable Diffusion
• Tools: Hugging Face

Weitere Informationen findest du hier

Hier lernst du die Grundlagen der Repräsentationen von Dokumenten und Text im Vektorraum kennen. Du arbeitest mit grundlegenden Netzwerkarchitekturen für die Dokument- und Textverarbeitung. Darauf aufbauend beschäftigst du dich mit fortgeschrittenen Ansätzen wie Transformer-Architekturen, inklusive Transfer Learning und Representation Learning. Du setzt Deep-Learning-Methoden für konkrete NLP-Anwendungen ein und evaluierst die Performance von Modellen, etwa mit Kennzahlen wie dem BLEU-Score. Ergänzend lernst du den Einsatz von Large Language Models (LLMs), Retrieval-Augmented Generation (RAG), NLP Cloud Services und Acoustic Language Processing (ALP) kennen. Du bekommst zudem einenÜberblick über generative AI für Text, inklusive ethischer und gesellschaftlicher Fragestellungen. Abschliessend befasst du dich mit multimodalen Systemen, Vektordatenbanken, Prompting-Strategien und Agentic AI, um aktuelle Entwicklungen im Bereich moderner KI-Systeme zu verstehen.

• Fortgeschrittene Architekturen: Multi-Layer-/Bi-directional-RNNs, Sequence-to-Sequence mit Attention, Transformer, Transfer Learning, Representation Learning
• Netzwerkarchitekturen: RNNs, GRUs, CNNs, Auto-Encoding

• Performance-Evaluation: z.B. BLEU Score
• LLM-Ökosystem: Large Language Models (LLMs), Retrieval-Augmented Generation (RAG), NLP Cloud Services, Acoustic Language Processing (ALP)

Neben den Grundlagen des Reinforced Learnings geht es in diesem Modul ins Detail; Du lernst Deep Reinforced Learning kennen – und wie du beides anwendest.

Technologien und Methoden im Modul

• Grundlagen: Markov Decision Process, Policy and Value Function, Bellman Equation

• Deep Reinforcement Learning: Deep Q Learning (DQN) and friends

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 sind sie dir erklären, welche Konzepte und Technologien sich in verschiedenen Anwendungsfällen der Praxis bewährt haben.

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