CAS Machine Intelligence

• Wie schafft man optimale Bedingungen für maschinelles Lernen?
• Was bedeutet Deep Learning und wo lässt es sich einsetzen?
• Wie lässt sich mit Textanalysemethoden ermitteln, ob sich jemand positiv oder negativ zu einem bestimmten Thema auf sozialen Netzwerken äussert?
• Welche Big Data Methoden gibt es und wie werden sie eingesetzt?

Das CAS Machine Intelligence ist Bestandteil des DAS Data Science.

• Grundlagen, Einsatzkonzepte und Best Practices für Machine Learning (ML)
• Ausgewählte Machine Learning-Algorithmen (Clustering, Classification, Anomaly Detection)
• Feature Engineering

• Grundlagen des Deep Learnings (zum Beispiel Optimierung, logistische Regression, Neuronale Netze mit vielen Schichten, Autoencoder)
• Frameworks für Deep Learning: Es wird ein Framework für Deep Learning vertieft dargestellt (zum Beispiel TensorFlow).
• Deep Learning Architekturen (zum Beispiel convolutional neural networks und rekursive Neuronale Netze)
• Neuste Entwicklungen: Es wird auf neuste Entwicklungen, die sich in der Praxis durchsetzen haben eingegangen (zum Beispiel generative Modelle)

• Grundlagen, Einsatzkonzepte und Best Practices von automatischer Textanalyse
• Evaluation von Systemen zur automatischen Textanalyse
• Ausgewählte Anwendungen und Algorithmen (Text-Klassifikation, Sentiment-Analyse, Keyword Extraction etc.)

• Grundkonzepte neuester Big Data-Technologien wie etwa Apache Spark
• Einsatz von Big Data-Technologien für die Analyse von strukturierten und unstrukturierten Daten
• Verwendung von Streaming-Technologien und skalierbaren Machine Learning Algorithmen
• Big Data-Applikationen in unterschiedlichen Bereichen