CAS Deep Learning
Erarbeite dir solide Grundlagen und praxisnahes Know-how im Bereich Deep Learning, um Technologien wie Computer Vision, LLMs, RAG und AI Agents einzusetzen und diese in Kombination mit Explainable AI transparent und nachvollziehbar zu machen.
Eckdaten
- Abschluss
- CAS
- ECTS-Punkte
- 15
- Nächster Start
- 27. Februar 2026
- Dauer
- 18 Kurstage
- Unterrichtstage
- Fr./Sa.
- Unterrichtssprache
- Deutsch und Englisch
- Durchführungsort(e)
- FHNW Campus Brugg-Windisch
- Preis
- CHF 7'800
Deep Learning ist eine Schlüsseltechnologie der aktuellen KI-Entwicklung. In diesem praxisorientierten CAS erarbeitest du dir ein fundiertes Verständnis der wichtigsten Architekturen neuronaler Netze und 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) sowie 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.
Die praxisnahe Vermittlung steht 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.
- 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 explananions») 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 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
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)
- Grundlagen von generativer AI für Text
- Ethische und gesellschaftliche Auswirkungen generativer AI
- Large Language Models (LLMs) und Retrieval-Augmented Generation (RAG)
- Multimodale Systeme
- Vektordatenbanken
- Prompting-Strategien
- Agentic AI
Weitere Informationen findest du hier
- 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.
Technisch interessierte Personen, die Deep-Learning-Anwendungen in Python umsetzen möchten.
Maximal 16 Personen pro Klasse
Die Aufnahmebedingungen umfassen:
- Personen mit analytischem Interesse, die sich bereits heute schon mit Datenverwaltung und -auswertung beschäftigen oder neu Deep Learning in Python umsetzen möchten.
- 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.
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
