Bandit-Algorithmus für Preisentscheidungen in einem Reisemarktplatz

FreeVerified credential3 WochenAdvanced

Übersicht

Worum es bei diesem Projekt geht.

Implementiere ε-greedy und Thompson-Sampling für Preisentscheidungen in einem Reisemarktplatz und erhalte ein verifizierbares Zertifikat.

Das Szenario

Der Marktplatz (Series-B, profitable Einheit-Wirtschaft im DACH-Geschäft) wickelt rund 4.500 Buchungen pro Tag ab; jeder A/B-Test bindet ca. 6 Wochen Daten — Bandits versprechen einen schnelleren Lernzyklus bei nahezu gleicher statistischer Disziplin.

CredentialBlockchain-anchored

ShareableLinkedIn-ready

LanguageEnglish

PaceSelf-paced

Das Briefing

Was Du tust und was Du zeigst.

Wie ersetzt man klassische A/B-Tests durch einen Thompson-Sampling-Bandit, der im Backtest mehr Marge liefert UND den Worst-Case-Schaden begrenzt?

Earning criteria — what you'll demonstrate

Multi-Armed-Bandit-Frameworks gegen klassische A/B-Tests abgrenzen
Thompson-Sampling sauber implementieren (Beta-Posterior für binäre Belohnungen)
Exploration-Exploitation-Trade-off mit messbaren Metriken bewerten
Produktions-Guardrails entwerfen, die Worst-Case-Schaden begrenzen

Studienpassung

Wo dies in Dein Studium passt.

Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.

Decision Making Under Uncertainty

Master · Reinforcement Learning

Strong alignment

This challenge maps to Decision Making Under Uncertainty at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.

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 Rollen

Machine Learning Engineering
Ein Modell, das auf einem Laptop funktioniert, und ein Modell, das für Millionen von Nutzern arbeitet, sind zwei völlig unterschiedliche Artefakte – und Machine Learning Engineers leben in der Lücke dazwischen. Die Rolle besteht darin, ML auf Forschungsebene in zuverlässige Produktionssysteme zu verwandeln, was bedeutet, dass du dich um Latenz, Retraining-Pipelines und das kümmerst, was passiert, wenn sich die Datenverteilung um drei Uhr morgens verschiebt. Du wächst in diese Rolle hinein durch praktische Arbeit mit PyTorch oder TensorFlow, gepaart mit genügend Software-Engineering-Disziplin, um echte CI/CD-Prozesse zu betreiben. Tools wie AWS SageMaker werden Teil deines Workflows. Starke ML Engineers können mit Data Scientists auf der einen Seite und Platform Engineers auf der anderen fachsimpeln – und diese zweisprachige Qualität ist oft das, was ihnen den Job verschafft.
AI Engineering

Machine Learning Engineer

Bandits in Produktion zu bringen, inklusive Guardrails und Backtest-Disziplin, ist tägliches ML-Engineering in Marketplace-Teams.

Dieses Projekt schärft

multi-armed-bandits
thompson-sampling
experimentation

Data Scientist

Bandit-Methodik gehört zum Pflicht-Repertoire jedes Data Scientists, der in Wachstums- oder Pricing-Teams arbeitet.

Dieses Projekt schärft

multi-armed-bandits
experimentation
backtesting

Applied AI Scientist

Den Wechsel von A/B-Tests zu Bandits zu verantworten — inklusive Begründung und Risiko-Diskussion — ist genau das Profil eines angewandten KI-Wissenschaftlers.

Dieses Projekt schärft

exploration-exploitation
backtesting
thompson-sampling

Noch eine Sache

Du kannst ein Zertifikat bis Freitag in Deinem Lebenslauf haben.

Dieses Projekt starten