Das CAS Advanced Machine Learning and Machine Learning Operations richtet sich an Personen mit Programmierkenntnissen sowie Grundwissen in Machine Learning (ML) und Deep Learning. Es vermittelt ihnen die notwendigen Fähigkeiten, um KI-Lösungen erfolgreich zu entwerfen, zu entwickeln und im Betrieb zu implementieren.
Zielpublikum:Das CAS richtet sich an Personen, die
- ihre Fähigkeiten im Bereich der ML und Deep Learning Entwicklung erweitern möchten.
- selbst ML-basierte Anwendungen im beruflichen Umfeld (sei es in Industrie, Verwaltung oder Forschung) implementieren wollen und daher an der Operationalisierung von ML (MLOps) sowie dem Aufbau von ML-Systemen in der Praxis interessiert sind.
- als (künftige) Entscheider:innen nebst technischen auch ethische, rechtliche und gesellschaftliche Aspekte der Anwendung von KI-Systemen berücksichtigen wollen.
Ziele:Folgende Fragestellungen stehen im Zentrum des CAS Advanced Machine Learning and Machine Learning Operations:
- Wie gestaltet man den Lebenszyklus von MLAlgorithmen, sodass sie in einer Produktionsumgebung sicher und effizient funktionieren?
- Wie können Large Language Models (LLMs) verwendet werden, um spezifische Aufgaben in Ihrer Anwendung zu unterstützen (z.B. Textklassifizierung, automatische Erstellung von Inhalten, Sentimentanalysen etc.)?
- Wie können Deep Learning und Computer Vision Techniken und Algorithmen visuelle Informationen verstehen und interpretieren?
- Wie können Sie ein Reinforcement Learning-Modell verwenden, um einen Prozess oder Ablauf zu steuern?
- Welche Massnahmen können Sie ergreifen, um sicherzustellen, dass Ihre KI-Systeme fair und vertrauenswürdig sind?
Inhalt:
Das CAS Advanced Machine Learning and Machine Learning Operations ist modular aufgebaut und besteht aus 5 Modulen.
Modul "Machine Learning Operations (MLOps)"
Inhalt
- Einführung MLOps und ML-Systeme
- Daten-Infrastruktur, -Werkzeuge und -Processing
- Modellentwicklung und -Debugging
- Deployment-Infrastruktur und -Werkzeuge
- Monitoring, Continual Learning
- ML-Projektmanagement
Lernziele
- Teilnehmende haben fundierte Kenntnisse der Methoden, Tools und Frameworks, die notwendig sind, um ML-Systeme zu entwickeln und zur Anwendung zu bringen
- Sie verfügen über einen Überblick über ML-Systeme und ML-Projektmanagement aus der Business-Perspektive
- Sie können relevante Tools und Methoden implementieren und in ein funktionales MLOps System integrieren.
Modul "Large Language Models (LLMs)"
Inhalt
- Einführung Large Language Models (LLMs)
- LLM-Apps und LLMOps
- Techniken zur Evaluation
- «Chat to your data» mit Retrieval Augmented Generation (RAG)
Lernziele
- Teilnehmende habe solide Kenntnisse der Grundlagen und Anwendungsmöglichkeiten von LLMs.
- Sie können LLMs bezogen auf konkrete Use Cases mit lokaler Infrastruktur betreiben und fine-tunen.
Modul "Computer Vision (CV)"
Inhalt
- Einführung in Computer Vision mit Hilfe von Deep Learning Methoden
- Bildklassifizierung, Objekterkennung und Segmentierung
- Generative Modelle
- Spezielle Anwendungen
Lernziele
- Teilnehmende kennen moderne Verfahren zur Lösung von CV-Problemen mit Deep Learning.
- Sie können anhand konkreter Fragestellungen entsprechende Verfahren identifizieren.
- Sie können CV-Techniken auf realen Datensätzen anwenden.
Modul "Reinforcement Learning (RL)"
Inhalt
- Einführung Reinforcement Learning inklusive Deep RL
- Steuern und regeln durch sequentielle Entscheidungsprozesse, Value Functions und Exploration-Exploitation
- Sampling-basierte Methoden: Temporal-difference learning, Q-learning
- Policy Gradient Methoden
Lernziele
- Teilnehmende verstehen, wie RL zur Optimierung von Steuerungs- und Regelungsprozessen eingesetzt werden kann.
- Sie haben die Fähigkeit, anhand konkreter Fragestellungen RL Verfahren zur Optimierung von Produktionsabläufen und zur autonomen Entscheidungsfindung zu identifizieren.
- Sie können lernfähige Steuerungsstrategien anhand echter Datensätze oder Simulationen entwickeln.
Modul "Trustworthy AI"
Inhalt
- Einführung: Dimensionen der Vertrauenswürdigkeit
- Erklärbare Modelle
- Algorithmische Fairness
- Ethische Aspekte: Risiken durch KI
- Regulatorische Aspekte: Normen, Gesetzgebung
Lernziele
- Teilnehmende verstehen soziale und ethische Probleme, die mit KI-Anwendung einhergehen.
- Sie erlangen Kenntnisse des Zusammenhangs zwischen algorithmischem Bias und Fairness und sind in der Lage, diesen Bias zu messen und zu kompensieren.
- Sie sind mit dem aktuellen Stand der KI-Gesetzgebung und den relevanten Normen vertraut.
