Übersicht
Worum es bei diesem Projekt geht.
Trainiere Random Forest, XGBoost und ein Stacking-Ensemble für 240.000 Policen, validiere out-of-time und erhalte ein verifizierbares Zertifikat.
Das Szenario
Der Versicherer schreibt jaehrlich rund 380 Millionen Euro Praemienvolumen in der Technischen Versicherung und sucht eine substantielle (nicht kosmetische) Modell-Verbesserung, die Combined Ratio um mindestens 0,8 Prozentpunkte druecken kann.
Das Briefing
Was Du tust und was Du zeigst.
Entscheide datenbasiert, ob ein Stacking-Ensemble den bestehenden Random Forest in geschaeftsrelevanter Hoehe schlaegt.
Earning criteria — what you'll demonstrate
- Stacking-Ensemble korrekt aufbauen (Cross-Validation fuer die Meta-Features)
- Wahrscheinlichkeits-Kalibrierung neben Rangordnung als zweite Achse beruecksichtigen
- Modellqualitaet in Euro statt nur in ROC-AUC denken
- Aufwand vs. Genauigkeit in einer Empfehlung an die Versicherungsmathematik gegeneinander wiegen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Learning
Master · Machine Learning
Strong alignment
This challenge maps to Machine Learning at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Ensemble Methods
Apply ensemble methods to solve real industry problems and demonstrate production-level capability.
- Supervised Learning
Apply supervised learning to solve real industry problems and demonstrate production-level capability.
- Model Evaluation
Apply model evaluation to solve real industry problems and demonstrate production-level capability.
- Calibration
Apply calibration to solve real industry problems and demonstrate production-level capability.
- Python
Write clean, efficient Python for data processing, automation, and backend services.
- Xgboost
Apply xgboost to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Machine Learning Engineer
Stacking-Ensembles produktionsnah zu bauen und zu bewerten ist eine Kernkompetenz fuer ML Engineers in regulierten Branchen wie Versicherung und Banken.
Dieses Projekt schärft
- ensemble-methods
- supervised-learning
- xgboost
Data Scientist
Kalibrierung neben Rangordnung zu beruecksichtigen und Erfolg in Euro zu uebersetzen unterscheidet eine Senior-Data-Scientist:in vom ML-Lehrbuchanwender.
Dieses Projekt schärft
- calibration
- model-evaluation
- ensemble-methods
Applied AI Scientist
Wenn eine technische Verbesserung mit Aufwand und Erklaerbarkeit verteidigt werden muss, ist das angewandte KI-Arbeit auf Senior-Niveau in der Versicherungsbranche.
Dieses Projekt schärft
- model-evaluation
- ensemble-methods
- calibration
Noch eine Sache