Dimensionsreduktion fuer Spektroskopie-Qualitaetskontrolle
Übersicht
Worum es bei diesem Projekt geht.
Du erhaeltst rund 80 000 Linsen mit je einem 2 000-dimensionalen Spektrum plus optionale Schadenslabels (nur fuer rund 5 000 Linsen). Vergleiche drei Dimensionsreduktions-Verfahren: Hauptkomponentenanalyse (PCA), Uniform Manifold Approximation and Projection (UMAP) und t-distributed Stochastic Neighbor Embedding (t-SNE). Wende auf die 2D-Einbettungen einen unsupervised Anomaliedetektor (Isolation Forest) an und vergleiche die gefundenen Anomalien mit den 5 000 gelabelten Schadenfaellen. Liefere ein Notebook + eine 2-seitige Dashboard-Spezifikation.
Das Briefing
Was Du tust und was Du zeigst.
Liefere eine 2D-Trenddarstellung der Spektren plus einen unsupervised Anomaliedetektor, der die Produktionsleitung frueh warnt.
Earning criteria — what you'll demonstrate
- PCA, UMAP und t-SNE sauber gegeneinander vergleichen und ihre Annahmen erklaeren
- Unsupervised Anomaliedetektion mit teilweise gelabelten Daten validieren
- Hochdimensionale wissenschaftliche Daten fuer eine Fachabteilung verstaendlich machen
- Eine Dashboard-Spezifikation schreiben, die ein Engineering-Team umsetzen kann
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
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 Scientist
Hochdimensionale wissenschaftliche Daten unsupervised zu strukturieren und gleichzeitig fuer das Produktionsleitungs-Dashboard zu uebersetzen ist eine senior-typische Doppelarbeit.
Dieses Projekt schärft
- dimensionality-reduction
- anomaly-detection
- data-visualization
Applied AI Scientist
Drei Methoden sauber gegeneinander zu vergleichen und die Auswahl gegen einen Stakeholder verteidigen koennen ist die taegliche Uebersetzungsleistung des angewandten KI-Bereichs.
Dieses Projekt schärft
- dimensionality-reduction
- unsupervised-learning
- scikit-learn
Machine Learning Engineer
Eine Anomalie-Pipeline produktionsnah zu skizzieren ist die Vorstufe der ML-Engineer-Arbeit an Live-Monitoring-Systemen.
Dieses Projekt schärft
- anomaly-detection
- python
- unsupervised-learning
Noch eine Sache