Anomalie-Erkennung in Industriesensoren für vorausschauende Wartung
Übersicht
Worum es bei diesem Projekt geht.
Trainiere einen Isolation Forest auf Sensordaten von 40 Maschinen und verbessere die Wartung. Abschluss: verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wie reduziert man False Alerts der Predictive-Maintenance um 50 %, ohne echte Wartungsfälle zu übersehen?
Earning criteria — what you'll demonstrate
- Unsupervised-Anomalie-Methoden auf hochfrequente Zeitreihen anwenden
- Precision/Recall bei unbalancierten Klassen (wenige echte Fälle) bewerten
- Time-to-Detect als geschäftsrelevante Metrik einbinden
- Eine Modell-Empfehlung mit Betriebs-Implikationen formulieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Data Mining and Knowledge Discovery
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenMachine Learning Engineer
Anomalie-Detektion auf Industrie-Sensoren ist ein produktives Anwendungsfeld für ML Engineers im Maschinenbau; die Challenge liefert genau das Portfolio-Stück, das After-Sales-Teams einstellen.
Dieses Projekt schärft
- anomaly-detection
- isolation-forest
- time-series
Data Scientist
Time-to-Detect und Precision-Recall-Bewertung auf unbalancierten Klassen sind übertragbar auf jede Risiko-Erkennung — von Fraud bis Cyber.
Dieses Projekt schärft
- anomaly-detection
- model-evaluation
- time-series
Angewandte:r KI-Wissenschaftler:in
Mehrere Methoden gegeneinander zu benchen und eine begründete Produktions-Empfehlung zu schreiben ist die Kernarbeit angewandter KI-Wissenschaftler:innen.
Dieses Projekt schärft
- autoencoder
- model-evaluation
- anomaly-detection
Noch eine Sache