Dataset-Kuratierung und Eval-Harness für ein medizinisches Fachmodell
Übersicht
Worum es bei diesem Projekt geht.
Kuratiere 12.000 Radiologie-Berichte, baue einen Eval-Harness mit Metriken und erhalte dein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Liefere eine kuratierte Trainingsdaten-Pipeline und einen reproduzierbaren Eval-Harness für radiologische Befundgenerierung, der spätere Fine-Tuning-Vergleiche valide macht.
Earning criteria — what you'll demonstrate
- Trainingsdaten-Pipelines für LLMs systematisch aufbauen (Dedup, Filter, Qualität)
- Automatische und menschliche Eval kombinieren, ohne dass eine die andere überdeckt
- Annotations-Protokolle entwerfen und Reliability messen
- Eine Eval-Methodik so dokumentieren, dass spätere Experimente vergleichbar bleiben
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 RollenData Engineer
Eine produktive Trainingsdaten-Pipeline für ein sensibles Korpus aufzubauen ist eines der konkretesten Erstprojekte für Data Engineers in Klinik-Forschungs-Teams.
Dieses Projekt schärft
- data-pipelines
- deduplication
- dataset-curation
ML-Ingenieur:in
Reproduzierbare Eval-Harnesses sind das Rückgrat seriöser LLM-Arbeit; das Projekt vermittelt die Praxis hands-on.
Dieses Projekt schärft
- llm-evaluation
- python
- dataset-curation
ML-Forscher:in
Saubere Annotations-Protokolle und Reliability-Messung sind methodische Pflichtkompetenz für ML-Forschende, die mit menschlichen Bewertungen arbeiten.
Dieses Projekt schärft
- annotation-protocols
- llm-evaluation
- dataset-curation
Noch eine Sache