End-to-End-Lernen für einen Münchner Premium-OEM evaluieren
Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein ConvNet auf Kameradaten, vergleiche es in der CARLA-Simulation und verfasse ein Risiko-Memo. Erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wie schneidet ein einfaches End-to-End-Lernmodell im niedrigen Geschwindigkeitsbereich gegen einen modularen Mini-Stack ab, und welche Risiken bleiben offen?
Earning criteria — what you'll demonstrate
- End-to-End-Lernen als Imitationslernen verstehen und implementieren
- Closed-Loop-Bewertung in einer Fahrsimulation aufsetzen
- Verteilungsverschiebungen als zentrales Risiko benennen
- Eine Methodenoption für eine Forschungsabteilung ehrlich einordnen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
AI for Autonomous Vehicles
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 RollenML Researcher
Eine ehrliche Methodenstudie zum End-to-End-Lernen mit Risiko-Memo ist genau das Profil, das ML Researchers in OEM-Forschungseinheiten zeigen sollten.
Dieses Projekt schärft
- end-to-end-learning
- imitation-learning
- model-evaluation
AI Safety Researcher
Verteilungsverschiebungen und fehlende Erklärbarkeit konkret zu benennen ist klassische Kernarbeit von AI Safety Researchern im automotiven Kontext.
Dieses Projekt schärft
- risk-analysis
- model-evaluation
- end-to-end-learning
Research Scientist
Eine Closed-Loop-Bewertung in einer Forschungsumgebung sauber durchzuziehen und im Forschungsrat zu präsentieren ist der Alltag von Research Scientists in OEM-Settings.
Dieses Projekt schärft
- simulation
- imitation-learning
- model-evaluation
Noch eine Sache