Übersicht
Worum es bei diesem Projekt geht.
Baue eine tägliche ML-Pipeline aus zwei APIs, trainiere ein Modell und exportiere Vorhersagen. Abschluss: verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Liefere eine wiederholbare ML-Pipeline, die taegliche Lieferzeit-Prognosen automatisiert erzeugt und 5 Tage stabil laeuft.
Earning criteria — what you'll demonstrate
- End-zu-end-ML-Pipelines mit Daten-Ingestion, Training, Bewertung und Vorhersage-Output bauen
- Rollendes Training auf zeitlichen Daten korrekt aufsetzen
- Pipelines reproduzierbar und beobachtbar machen (Logging, Konfiguration, Tests)
- Ein Runbook fuer einen nicht-technischen Operativ-Nutzer schreiben
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
End-zu-end-Pipelines stabil und beobachtbar zu machen ist genau die taegliche MLOps-Arbeit in Logistik- und Industrieunternehmen.
Dieses Projekt schärft
- ml-pipelines
- monitoring
- data-ingestion
Machine Learning Engineer
Die saubere Trennung zwischen Modellcode und Pipeline-Infrastruktur ist die Senior-Disziplin, die ML Engineers von Notebook-Bastlern unterscheidet.
Dieses Projekt schärft
- ml-pipelines
- feature-engineering
- python
AI Engineer
Eine Pipeline, die taeglich Geschaeftsoutputs erzeugt und mit einem Runbook uebergeben wird, ist klassische AI-Engineer-Arbeit in fruehen Produktionsphasen.
Dieses Projekt schärft
- python
- ml-pipelines
- data-ingestion
Noch eine Sache