Agentic AI & Decision Intelligence

Bern University of Applied Sciences

Im Zentrum dieses CAS stehen Deep Learning und Reinforcement Learning, im Framework einer Agentic AI Architektur. Das eröffnet neue Perspektiven für alle Branchen und Aufgaben. Lernen Sie die modernsten AI-Konzepte kennen, um Anwendungen für Business, Technologie und Industrie zu entwickeln.



Titel/Abschluss Certificate of Advanced Studies (CAS) in Agentic AI & Decision Intelligence

Dauer Herbstsemester: KW43 bis KW14

Unterrichtstage Donnerstag: 8.30-16.15 Uhr

Anmeldefrist 23. September
9-24 Teilnehmer*innen

Anzahl ECTS 12 ECTS





Kosten CHF 7’850

Unterrichtssprache Deutsch, Unterlagen teilweise in Englisch

Studienort Biel, Aarbergstrasse 46 / Online

Departement Technik und Informatik

Nächste Durchführung Herbst 2026

Inhalt + Aufbau

Im CAS erfahren Sie, wie neuronale Netze funktionieren, wie sie trainiert und optimiert werden und wie Deep Reinforcement Learning eingesetzt werden kann.

Portrait

Künstliche Intelligenz gestaltet die Welt von morgen. In diesem Kurs tauchen wir gemeinsam in die faszinierenden Möglichkeiten des Deep Learning und Deep Reinforcement Learning ein. Wie lernen Maschinen, komplexe Entscheidungen zu treffen? Wie lassen sich intelligente Systeme bauen, die mit Unsicherheit, Dynamik und Zielkonflikten umgehen können?

Ob in Planung, Prozessoptimierung, in der digitalen Werbung oder in der Cyber-Sicherheit, im Dienstleistungs-, Medizin- oder Energieunternehmen: Deep Learning und Reinforcement Learning eröffnen neue Perspektiven für alle Branchen und Unternehmensfunktionen.

Das CAS vermittelt praxisnah und verständlich, wie neuronale Netze funktionieren, wie sie trainiert und optimiert werden und wie Deep Reinforcement Learning für adaptive, mehrstufige Entscheidungen eingesetzt werden kann. Gemeinsam entwickeln wir eigene Modelle und testen diese in realitätsnahen Szenarien aus.

Ausbildungsziele

Dieses CAS



führt Sie umfassend in die professionelle Anwendung und Implementierung von Deep Learning und Deep Reinforcement Learning ein, sowie in die Mitarbeit in Teams, die AI-Methoden einsetzen.

vermittelt Ihnen ein tiefes Verständnis moderner Deep-Learning-Architekturen (Neuronale Netze, Transformers)

befähigt Sie um Aufbau und Training von Deep-Reinforcement-Learning-Agenten

befähigt Sie zur Anwendung auf realen Problemstellungen



Besondere Highlights



Hands-on Projekte mit echten Datensätzen

Anwendungsnahe Fallbeispiele aus Wirtschaft, Technik und Gesellschaft

Interdisziplinärer Austausch und Kreativität bei der Lösungsfindung



Study Guide CAS Agentic AI & Decision Intelligence (PDF, 442 KB)

Das CAS beinhaltet Kurse und Veranstaltungen zu:



Einführung in AI & Deep-Learning-Grundlagen

Deep-Learning-Vertiefung - CNN, RNN und Transformer

Natural Language Processing und Forecasting mit modernen Architekturen

Grundlagen von Deep Reinforcement Learning

Deep Reinforcement Learning in der Praxis

Projektarbeit & Workshop: Trading mit DRL

Einführung in AI & Deep-Learning-Grundlagen

Überblick über Anwendungsgebiete von AI

Gradient Descent: Intuition, partielle Ableitung, Loss Function

Mathematische Grundlagen: Matrix-Algebra, Tensoren

Einführung in PyTorch und Google Colab

Framework-Vergleich: PyTorch vs. TensorFlow

Erste neuronale Netze: Perceptron, Dense Networks (DNNs)

Hyperparameter und Training mit PyTorch Lightning

Deep-Learning-Vertiefung - CNN, RNN und Transformer

CNN: Mathematische Grundlagen, Aufbau, biologische Analogie

Praxis: Bildklassifikation mit CNN und Transfer Learning

RNN und LSTM: Zeitreihenprognose mit Long Short-Term Memory

Praxis: Zeitreihenanalyse mit Wirtschaftsdaten

Transformer: Encoder-Decoder, Attention, Hugging Face

Natural Language Processing und Forecasting mit modernen Architekturen

NLP mit Transformer: Textverständnis, Prompt Engineering

RAG: Einbindung von externem Wissen (PDFs, Bilder, Embeddings)

Praxis: Retrieval-Augmented Generation mit OpenAI-Framework

Forecasting mit Temporal Fusion Transformer (TFT):

Architektur, Feature Engineering, Attention für Zeitreihen

Praxis: Vorhersagen für Nachfrage oder Energieverbrauch



Mini-Projekt: Textverarbeitung oder Forecasting mit einem Transformer

Grundlagen von Deep Reinforcement Learning

Was ist ’Reinforcement’? - Agent, Environment, Reward

Markov Decision Process, Partially Observable MDP

Return, Policy, Value Function, Bellman-Formeln

Einführung in OpenAI Gym

Deep Reinforcement Learning in der Praxis

Value-based Methoden: Deep Q-Learning, Double DQN, Rainbow

Policy-based Methoden: REINFORCE, A2C, PPO

Blackbox-Optimierung: Evolution Strategies

Projektarbeit & Workshop: Trading mit Deep Reinforcement Learning

Entwicklung eines Trading-Agenten (DQN oder PPO)

Eigenes Trading-Environment, Sharpe-Ratio, Portfolio-Bewertung

Anwendung eines Branching-Dueling-DQN-Agenten

Präsentation der Ergebnisse im Plenum

Reflexion und Transfer in die berufliche Praxis



Wissen

Verstehen

Anwenden

Analyse

Synthese

Beurteilung





Kontaktunterricht

Selbststudium

Projektarbeit



Certificate of Advanced Studies in ’Agentic AI & Decision Intelligence’.

Voraussetzungen + Zulassung

Erfahren Sie, für welche Fachpersonen diese Weiterbildung konzipiert ist und welche Voraussetzungen Sie mitbringen sollten.

Voraussetzungen

Sie bringen ein Bachelorstudium mit, typischerweise in Informatik-, Wirtschafts- oder Engineering-Disziplinen und können sich in eine algorithmische Denkweise vertiefen.

Sie können sich mathematische Gesetzmässigkeiten aneignen und diese anwenden.

Sie haben Erfahrung mit einer Programmiersprache und können einfache Skripte in der Sprache Python schreiben und ausführen (z.B. in einer Entwicklungsumgebung wie Anaconda/Jupyter Notebooks).

Kenntnisse in den Methoden des überwachten und nicht-überwachten Lernens sind von Vorteil. Es wird im CAS im Rahmen des Deep-Learning-Studiums kurz darauf eingegangen.

Zielpublikum

Das CAS richtet sich an



Fachexpert*innen aus IT, Industrie und Business, die moderne AI-Techniken kennenlernen und anwenden möchten.

Informatiker*innen, die modernste AI-Techniken in neue Applikationen, IT-Dienstleistungen und IT-Landschaften integrieren wollen.



Studiengänge richten sich an Personen mit einem Hochschulabschluss und Berufspraxis. Personen ohne Hochschulabschluss können zu Studiengängen zugelassen werden, wenn sich ihre Befähigung aus einem anderen Nachweis ergibt.

Infoveranstaltungen + Beratung

Sie haben Fragen zur Weiterbildung? An unseren Infoveranstaltungen beantworten der Studiengangsleiter, CAS-Leitende und Dozierende Ihre Fragen.

Prof. Dr. Arno Schmidhauser

Studienleiter MAS Data Science/MAS IT

0041 (0)31 848 32 75

Studienort

Diese Weiterbildung wird vor Ort an der Aarbergstrasse 46 im Switzerland Innovation Park Biel/Bienne oder remote durchgeführt.

Switzerland Innovation Park Biel/Bienne (SIPBB)

Vielseitige Standortvorteile

Unterrichtsräume in zwei Minuten Gehdistanz vom Bahnhof Biel/Bienne

Ideale Zugsverbindungen im 15-Minuten-Takt ab Hauptbahnhof Bern und im 30-Minuten-Takt ab Bern Wankdorf (neue Linie Thun-Biel)

Modernste Infrastruktur im SIPBB-Neubau

Vielseitige Verpflegungsmöglichkeiten in unmittelbarer Nähe

Innovative Events und Networkinganlässe

Und noch dies...

Innovations-Hotspot Biel/Bienne

Hochschulstadt Biel/Bienne

Industrie- und Dienstleistungsstadt mit zahlreichen Leadern in den Bereichen der Uhren-, Maschinen-, Präzisions- und Medizinaltechnikindustrie sowie Vertretern der Kommunikations- und Telekommunikationsbranche

Unmittelbare Nähe zum Bielersee mit vielseitigem Sport- und Freizeitangebot

Gelebte Zweisprachigkeit

Kulturleben in allen Facetten



Biel Aarbergstrasse 46 (Switzerland Innovation Park Biel/Bienne)

More information