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 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 · 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 RollenMachine 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