Modul: Advanced NLP
Dieses Modul vermittelt aktuelle NLP-Verfahren und deckt von Transformer-Modellen über Retrieval Augmented Generation (RAG) bis hin zur Textgenerierung mit generativer KI (LLMs) und dem Einsatz von AI Agents alles ab.
Eckdaten
- ECTS-Punkte
- 4
- Nächster Start
- 20. 3. 2026
- Dauer
- 5 Tage
- Unterrichtstage
- Fr. / Sa.
- Unterrichtssprache
- Deutsch
- Durchführungsort(e)
- FHNW Campus Brugg-Windisch
- Preis
- CHF 2'400.–
Daten fungieren als wertvolle Ressource in unserer modernen Informationsgesellschaft. Dabei machen unstrukturierte Textdaten den Grossteil dieser Daten aus. Natural Language Processing (NLP) macht solche unstrukturierten Daten für Computer interpretierbar und ermöglicht das maschinelle Prozessieren der in den Daten enthaltenen Informationen. NLP ist somit ein wichtiger Bestandteil des heutigen Informationszeitalters und birgt grosses Potenzial, einen Mehrwert für Unternehmen zu generieren.
Das Modul vermittelt moderne NLP-Verfahren und deren praktische Anwendung in verschiedenen Use-Cases, sodass du nach Abschluss des Moduls eigene NLP-Projekte realisieren kannst.
- Du frischst dein Wissen über Vektor-Repräsentationen von Dokumenten auf und lernst verschiedene Netzwerkarchitekturen kennen. Diese reichen von Recurrent Neural Networks (RNN) und Convolutional Neural Networks (CNN) bis hin zu modernen Attention-Mechanismen und Transformer-Architekturen, welche das Fundament der aktuellen Large Language Models (LLM) bilden.
- Du lernst die Prinzipien von Large Language Models (LLMs), Retrieval-Augmented Generation (RAG) und multimodalen Systemen kennen. Darüber hinaus beschäftigst du dich mit wichtigen Themen wie Feintuning, Vektordatenbanken, synthetischen Daten und modernen Technologien wie Prompting-Strategien und Agentic AI.
- Du lernst, wie vortrainierte Modelle auf neue Problemstellungen angewendet werden können. Du bist in der Lage, jeweils Vor- und Nachteile wie auch die Anwendungsfälle der verschiedenen Modelle zu beurteilen. Zudem erfährst du, wie LLMs mittels Prompting-Techniken und Fine Tuning für gängige Applikationen wie Retrieval Augmented Generation (RAG) eingesetzt werden können.
Neben der Verarbeitung von Textdaten ist auch Acoustic Language Processing (ALP) Teil des Moduls. Hier lernst du, nicht-semantische Informationen wie Emotionen aus gesprochener Sprache zu extrahieren. Ausserdem wird eine Übersicht über NLP Cloud Services und deren Anwendung, beispielsweise für Speech-to-Text, gegeben.
Im ersten Schritt wird jeweils ein grundlegendes Verständnis zu den behandelten NLP-Verfahren und deren Algorithmen vermittelt und im zweiten Schritt wird das erarbeitete Wissen auf ein Praxisbeispiel angewendet und vertieft.
- Du kannst Textdatensätze explorativ analysieren und dadurch deren Eigenschaften verstehen.
- Du weisst, wie Wörter und Dokumente als Vektoren dargestellt und miteinander verglichen werden.
- Du kennst verschiedene Netzwerkarchitekturen (RNN, CNN, Transformer) und kannst deren Stärken und Schwächen einschätzen.
- Du verstehst die Funktionsweise der Transformer-Architektur und aktueller LLMs und weisst, wie sie mit Prompting-Techniken eingesetzt werden.
- Du kannst vortrainierte Modelle mittels Fine Tuning auf neue Problemstellungen übertragen.
- Du kennst seq2seq-Modelle und weisst, wie variable Eingaben in Ausgaben überführt werden.
- u verstehst, wie Unternehmensdaten mittels einem Retrieval Augmented Generation (RAG) Setup mit grossen Sprachmodellen verknüpft werden können, um unternehmensspezifische Informationen zu extrahieren.
- Du weisst, wie Vektordatenbanken zur Unterstützung generativer Modelle genutzt werden.
- Du kennst die Möglichkeiten zur Generierung und Nutzung synthetischer Daten.
- Du kennst die Anwendungsmöglichkeiten von AI Agents und kannst eigene AI Agents implementieren.
- Du bist dir der ethischen und gesellschaftlichen Auswirkungen von generierten Texten bewusst
- Du kannst ein NLP-Projekt planen und deine Modellwahl begründen.
- Du kennst die wichtigsten NLP-Cloud-Services (z. B. Speech-to-Text) und kannst sie in deine Arbeit integrieren.
Python, Scikit-Learn, Tensorflow, Docker
Folgende Vorkenntnisse solltest du mitbringen:
- Du verfügst über Python-Grundkenntnisse und kennst Libraries wie Pandas, NumPy und Scikit-Learn.
- Du kannst ein einfaches Machine Learning-Modell in Python mit scikit-learn trainieren, evaluieren und anwenden.
- Du weisst, was Feedforward Neural Networks sind und wie diese trainiert werden.
Es wird erwartet, dass du vor dem Kursstart:
- Eine Google Login erstellst und/oder Docker (möglichst mit GPU Beschleunigung) installiert und getestet hast.
- Deine Kenntnisse zu Python, Machine Learning Modellen und Feedforward Neural Networks aufgefrischt hast.
- Dich in Tensorflow eingearbeitet hast.
Du erhältst in jedem Fall eine Teilnahmebestätigung. Falls du in der festgelegten Leistungsbeurteilung mindestens eine genügende Leistung erbringst, erhältst du einen Nachweis, dass du das Modul erfolgreich bestanden hast.
Teilnehmenden des DAS- oder MAS-Data-Science-Weiterbildungslehrgangs werden die entsprechenden ETCS-Punkte angerechnet.
Das Modul wird von zwei externen Dozierenden geleitet.
- Freitag, 20. März 2026
- Samstag, 21. März 2026
- Freitag, 27. März 2026
- Freitag, 24. April 2026
- Samstag, 25. April 2026
Programm-Reglement Weiterbildung Data Science
