Übersicht
Worum es bei diesem Projekt geht.
Du testest Mitigationsstrategien gegen Catastrophic Forgetting auf Pharma-Benchmarks und erhältst ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Quantifiziere Catastrophic Forgetting nach Domain-Fine-Tuning und zeige empirisch, welche Mitigationsstrategie für künftige Pharma-Fine-Tunings am besten geeignet ist.
Earning criteria — what you'll demonstrate
- Catastrophic Forgetting empirisch sauber messen
- Continual-Learning-Mitigationen (Replay, EWC) praxistauglich umsetzen
- Forschungsstudien mit klaren Hypothesen und ehrlichen Limitationen schreiben
- Eine Default-Strategie für ein internes KI-Team fundiert empfehlen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fine-Tuning Large Language Models
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 RollenForschungswissenschaftler:in
Catastrophic Forgetting empirisch zu untersuchen ist ein laufendes Forschungsthema; eine saubere Studie ist starkes Portfolio-Material für Foundation-Model-Forschungspositionen.
Dieses Projekt schärft
- catastrophic-forgetting
- continual-learning
- research-methodology
ML-Forscher:in
Eine Default-Strategie für ein internes KI-Team fundiert herzuleiten ist exemplarisch für die Arbeit von ML-Forschenden in Industrie-Laboren.
Dieses Projekt schärft
- experiment-design
- llm-evaluation
- continual-learning
ML-Ingenieur:in
Eine reproduzierbare Eval- und Trainings-Pipeline für mehrere Strategien zu bauen ist genau die Praxis, die ML-Ingenieurinnen in Foundation-Model-Anwender-Teams unterscheidet.
Dieses Projekt schärft
- huggingface
- llm-evaluation
- experiment-design
Noch eine Sache