Übersicht
Worum es bei diesem Projekt geht.
Implementiere drei Drift-Metriken für ein Banken-Empfehlungsmodell und baue ein Dashboard mit Eskalationsschwellen. Erhalte dein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Erkenne Daten-Drift im produktiven Empfehlungsmodell frueh und gebe dem MLOps-Team einen klaren Eskalations-Plan.
Earning criteria — what you'll demonstrate
- Daten-Drift sauber von Konzept-Drift unterscheiden
- PSI, KS-Test und KL-Divergenz situationsabhaengig einsetzen
- Monitoring-Schwellenwerte begruendet (nicht nach Bauchgefuehl) festlegen
- Eskalations-Regeln so dokumentieren, dass das MLOps-Team danach handeln kann
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Learning in Practice
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 RollenMLOps Engineer
Drift-Monitoring mit Eskalations-Regeln ist genau das, was MLOps-Teams in Fintechs taeglich brauchen und absichern muessen.
Dieses Projekt schärft
- model-monitoring
- data-drift
- ml-pipelines
Machine Learning Engineer
Statistisch saubere Drift-Erkennung neben dem Modellbau ist die Disziplin, die produktive ML-Engineers von Forschern unterscheidet.
Dieses Projekt schärft
- data-drift
- statistical-testing
- python
Data Scientist
Drift- und Konzept-Drift sauber zu trennen und mit statistischen Tests zu beweisen ist eine Senior-Data-Science-Disziplin.
Dieses Projekt schärft
- statistical-testing
- evaluation
- model-monitoring
Noch eine Sache