CAS Deep Learning
Anwendungsorientierte Vermittlung von Deep Learning-Methoden für Bildverarbeitung, Verarbeitung natürlicher Sprachen und Zeitreihenanalysen
Eckdaten
- Abschluss
- CAS
- ECTS-Punkte
- 15
- Nächster Start
- 22. August 2025
- Dauer
- 18 Kurstage
- Unterrichtstage
- Fr./Sa.
- Unterrichtssprache
- Deutsch und Englisch
- Durchführungsort(e)
- FHNW Campus Brugg-Windisch
- Preis
- CHF 7'800
Viele AI-Anwendungen basieren auf Deep-Learning-Methoden, die seit etwa 2012 einen immer höheren Stellenwert in der Arbeitswelt einnehmen. Dies liegt daran, dass diese rechenintensiven Verfahren erst seitdem durch moderne Rechenmittel realisierbar geworden sind. Insbesondere Anwendungen in der Bildverarbeitung, der Verarbeitung natürlicher Sprachen und der Zeitreihenanalyse profitieren von Deep-Learning-Verfahren. Diese erzielen durch automatisiertes Training mittels spezifischer Trainingsdaten höhere und robustere Genauigkeiten der Datenvorhersagen.
Im CAS Deep Learning lernst du die grundlegenden Architekturen verschiedener Deep-Learning-Verfahren kennen und wie diese in praxisrelevanten Bereichen für Vorhersagen oder zur Datengenerierung (Generative AI), wie beispielsweise bei LLMs, gewinnbringend eingesetzt werden können. Es wird viel Wert auf eine anwendungsorientierte Vermittlung der theoretischen Inhalte gelegt. Theorie wird im Unterricht mit «hands-on»-Übungen begleitet, um das gelernte Wissen praktisch anwenden und vertiefen zu können. Zum Abschluss wird in einem Gebiet der Wahl eine individuelle Projektarbeit durchgeführt.
- Einführung in Deep Learning und seine Werkzeuge (TensorFlow/PyTorch)
- Grundlegende Architekturtypen von tiefen neuronalen Netzwerken, z.B. Multi-Layer Perceptron, CNNs, RNNs, AutoEncoder
- Training eines tiefen neuronalen Netzwerkes: Gradient Descent, Backpropagation, Hyperparameter Tuning, Loss-Funktionen
- Datensatzaufbereitung
- Interpretierbarkeit im Kontext von Machine Learning
- Interpretierbarkeit einfacher Modelle
- 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»
- Einführung in die Bildklassifikation
- Grundlagen der Convolutional Neural Networks (CNNs)
- Fortgeschrittene Komponenten von CNNs, z.B. Inception Module, Residual Ver-bindungen, Squeeze-and-Excitation Blocks, Separable Convolution Blocks
- Trainingsstrategien für CNNs: Batch Normalization, Regularisierung
- Einführung in Objekterkennung und semantische Segmentierung in Bildern
Weitere Informationen findest du hier
- Grundlagen zu Vektor-Repräsentationen von Dokumenten und Text
- Grundlegende Netzwerkarchitekturen und deren Einsatz in Dokument- und Textverarbeitung: RNNs, GRUs, CNNs, Auto-Encoding
- Fortgeschrittene Netzwerkarchitekturen für NLP: Multi-Layer/Bi-directional RNNs, Sequence-to-Sequence Modellierung mit Attention-Mechanismus und Transformer Architekturen, Transfer Learning, Representation Learning
- NLP-Anwendungen mittels Deep Learning
- Performance-Evaluation von NLP Netzwerken, z.B. BLEU Score
- Large Language Models (LLM)
- Retrieval-Augmented Generation (RAG)
- NLP Cloud Services
- Acoustic Language Processing (ALP)
Weitere Informationen findest du hier
- Grundlagen von generativer AI für Text und Computer Vision
- Ethische und gesellschaftliche Auswirkungen generativer AI
- Large Language Models (LLMs) und Retrieval-Augmented Generation (RAG)
- Multimodale Systeme
- Vektordatenbanken
- Auto-Encoder, GANs und Diffusionsmodelle
- Stable Diffusion und seine Anwendungen
- Feintuning von Modellen
- Generierung und Nutzung synthetischer Daten
- Nutzung von Tools wie Hugging Face
- Prompting-Strategien
- Agentic AI
- 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
Bestimmte Module können auch als einzelnes Fachvertiefungsmodul besucht werden.
Personen mit analytischem Interesse, die sich bereits heute schon mit Datenverwaltung und -auswertung beschäftigen, Grundkenntnisse in Data Science haben und neu Deep-Learning-Anwendungen in Python umsetzen möchten.
Maximal 16 Personen pro Klasse
Die Aufnahmebedingungen umfassen:
- Du beschäftigst dich bereits mit Datenverwaltung und -auswertung.
- Du verfügst über Grundkenntnisse in Data Science und etwas praktische Erfahrung mit Data Science Tooling (Python, Pandas, matplotlib). Zudem bringst du ein Grundverständnis in linearer Algebra bzw. Vektoren, Matrizen und Tensoren mit. Diese Grundkenntnisse können im CAS Data Science erworben werden.
- Du verfügst über einen Abschluss einer Fachhochschule, Universität, technischen Hochschule oder eine Berufsausbildung mit Praxiserfahrung. Studierende, die über keinen Hochschulabschluss verfügen, können (sur Dossier) zugelassen werden, wenn sich die Befähigung zur Teilnahme aus einem anderen Nachweis ergibt.
Du arbeitest etwa 40-50% der Kurszeit am eigenen Notebook. Wir stellen dir detaillierte Anleitungen und die benötigten Werkzeuge (Software-Tools) zur Verfügung. Bitte installiere diese vorgängig auf dem Laptop und bring diesen jeweils in den Kurs mit.
Ungefähr die Hälfte der Dozierenden dieses Weiterbildungslehrgangs kommen aus der Privatwirtschaft; die restlichen aus der angewandten Forschung. Dies hat den grossen Vorteil, dass die Dozierenden nicht einfach nur den Inhalt aus Lehrbüchern vermitteln, sondern zusätzlich aufgrund ihrer langjährigen Erfahrungen in der Lage sind, begründet zu erklären, welche Konzepte und Technologien sich in verschiedenen Anwendungsfällen der Praxis bewährt haben.
Übersicht Weiterbildungsangebote im Bereich Data Science
