CNN-basierter Qualitäts-Klassifikator für eine Lebensmittel-Bäckerei-Kette
Übersicht
Worum es bei diesem Projekt geht.
Trainiere einen CNN mit 24.000 Brötchen-Bildern, evaluiere mit Macro-F1 und kalibriere die Confidence. Erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wie baut man einen CNN mit Confidence-Kalibrierung, der mindestens 70 % der Brötchen-Bilder automatisch sortiert ohne das Ausschuss-Risiko zu erhöhen?
Earning criteria — what you'll demonstrate
- Transfer Learning mit modernen kompakten CNNs (MobileNet, EfficientNet) anwenden
- Pro-Klasse-F1 als Hauptmetrik einsetzen — Macro-Mittel allein versteckt seltene Klassen
- Temperature Scaling für Confidence-Kalibrierung implementieren
- Risiko-Empfehlung mit False-Accept-Quantifizierung formulieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Deep 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 RollenMachine Learning Engineer
Edge-Klassifikation mit Confidence-Routing ist tägliches ML-Engineering-Geschäft in Produktions- und Lebensmittel-Industrie.
Dieses Projekt schärft
- cnn-architectures
- transfer-learning
- edge-deployment
Computer Vision Engineer
Bild-Klassifikation auf produktiven Bändern mit kompakten Architekturen ist eine CV-Engineer-Kernkompetenz; die Challenge produziert das passende Portfolio-Stück.
Dieses Projekt schärft
- image-classification
- cnn-architectures
- transfer-learning
MLOps Engineer
ONNX-Export und dokumentierte Inferenz-Latenz sind die Brücke zwischen Forschung und produktiver Linie — ein typischer MLOps-Übergabe-Punkt.
Dieses Projekt schärft
- edge-deployment
- pytorch
- confidence-calibration
Noch eine Sache