Bildverarbeitungsmodell für die Qualitätskontrolle eines OWL-Mittelständlers
Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein CNN mit 4.500 gelabelten Gehäusebildern und vergleiche ResNet50 mit MobileNet. Erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Kann ein CNN-Modell die vier Oberflächenklassen so zuverlässig unterscheiden, dass eine Pilotinstallation in der Linie wirtschaftlich vertretbar ist?
Earning criteria — what you'll demonstrate
- Transfer Learning mit vortrainierten CNNs anwenden
- Genauigkeit und Inferenzlatenz von Modellen gegeneinander abwägen
- Eine Modellempfehlung gegen Hardware- und Linienrealität testen
- Eine technisch fundierte Investitionsempfehlung formulieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Applied Machine Learning
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 RollenComputer Vision Engineer
Ein industrielles CV-Klassifikationsproblem mit Transfer Learning, Latenzmessung und Linienperspektive ist das Standardprofil eines Junior-CV-Engineers in Industrie 4.0.
Dieses Projekt schärft
- computer-vision
- cnn
- transfer-learning
Machine Learning Engineer
Der saubere Vergleich zweier Modelle mit Latenz- und Kostenperspektive ist die Brücke zu produktiver ML-Engineering-Arbeit.
Dieses Projekt schärft
- pytorch
- model-evaluation
- deployment-planning
Applied AI Scientist
Eine Modellwahl gegen Linien- und Kostenrealität zu verteidigen ist die tägliche Arbeit von Applied AI Scientists in Industrie-Projekten.
Dieses Projekt schärft
- model-evaluation
- deployment-planning
- transfer-learning
Noch eine Sache