KI & Daten
Deep Learning Industrieprojekte
Deep Learning-Challenges versetzen dich mitten in die Arbeit, Modelle zu bauen, die aus rohen Daten lernen. Du entwickelst Fähigkeiten in Neuronalen Netzen und Feedforward-Netzen, wendest Data Augmentation an und trainierst Modelle in PyTorch oder TensorFlow neben den Grundlagen des Reinforcement Learning.
Von dort meisterst du die kniffligeren Themen — Transformer-Architektur, Attention-Mechanismen, Custom-Architektur-Design und Distributed Training — und arbeitest mit PyTorch Lightning / Hugging Face Trainer, JAX-Forschungsmustern und Ablation-Study-Design. Jede gelöste Challenge bringt dir einen verifizierten Nachweis für Recruiter.
- CodeMittelstufeNeu
Segmentierungs-Modell für Brandschadens-Erkennung in der Versicherung
Du erhältst 3.200 anonymisierte Schadensfotos mit Pixel-Annotationen (4 Klassen: unbeschädigt, ruß, brand, wasserschäden). Trainiere ein modernes Segmentierungs-Modell (SegForme…
- Semantic Segmentation
- U Net
- Segformer
Fachübergreifend - ResearchMittelstufeNeu
Reproduktion einer NeurIPS-Studie als Master-Lab-Projekt
Wählen Sie ein NeurIPS-2024- oder -2025-Paper mit verfügbarem Code und Datensatz. Reproduzieren Sie die Hauptexperimente (mindestens Tabelle 1 oder die Hauptgrafik). Dokumentier…
- Research Methodology
- Reproducibility
- Pytorch
Fachübergreifend - CodeEinsteigerNeu
Defekterkennung in Fertigungsbildern für einen Werkzeughersteller
Du erhältst 6.000 vorlabelte Bilder (vier Defektklassen plus 'in Ordnung'), aufgenommen unter Werkstatt-Lichtbedingungen. Trainiere zwei Modelle: (1) ein leichtes EfficientNet-B…
- Image Classification
- Object Detection
- Explainable Ai
Image Processing and Computational Imaging - CodeSeniorNeu
DPO-Finetuning fuer Tonalitaets-Anpassung eines mehrsprachigen Modells
Du erhaeltst ein Open-Source-Basismodell (rund 8B Parameter), 4.000 Praeferenzpaare und 200 Holdout-Prompts. Implementiere: (1) SFT-Baseline auf den 'chosen'-Antworten, (2) DPO-…
- Direct Preference Optimization
- Supervised Finetuning
- Lora
Machine Learning from Human Preferences (RLHF and Alignment) Develop in-demand professional skills.
Each challenge names the skills it strengthens. Over time, your profile fills with the competences a hiring manager would actually look for.
Why Ewance
- ResearchSeniorNeu
GAN-basierter Daten-Augmentations-Pipeline für medizinische Bildgebung
Du erhältst einen anonymisierten Bilddatensatz (rund 12.000 Lungenröntgen, 14 Befund-Klassen, davon 3 unterrepräsentiert mit jeweils <200 Beispielen) sowie den bestehenden Klass…
- Gans
- Data Augmentation
- Medical Imaging
Fachübergreifend - ResearchSeniorNeu
Model-Inversion-Attack-Audit für Berliner KI-Startup
Sie erhalten ein bereits trainiertes Gesichtserkennungs-Modell (ResNet-50, fine-getuned auf einer synthetischen 5.000-Personen-Datenbank) sowie API-Zugang. Implementieren Sie dr…
- Model Inversion
- Adversarial Attacks
- Differential Privacy
Privacy-Preserving Machine Learning - CodeEinsteigerNeu
Actor-Critic-Agent für ein klassisches Echtzeitstrategie-Spiel
Du erhältst eine Trainingsumgebung mit 20x20-Karte, drei Einheitstypen, Ressourcen-Sammeln und Kampfmechanik (Gymnasium-kompatibel) sowie den heutigen heuristischen Gegner. Trai…
- Actor Critic
- Policy Gradients
- Reinforcement Learning
Fachübergreifend - CodeSeniorNeu
Lexikalische Beschraenkungen fuer einen Pharma-Beipackzettel-Uebersetzer
Du erhaeltst rund 5 000 Beipackzettel-Saetze mit annotierten Pharma-Termini plus ein Glossar von rund 800 vorgeschriebenen Term-Uebersetzungen. Implementiere constrained beam se…
- Constrained Decoding
- Neural Machine Translation
- Domain Adaptation
Fachübergreifend - Browse challenges
Explore role
Strategy Analyst
Frame the business question, model the options, build the recommendation. From market sizing to competitive analysis, this role is where strategy consulting meets in-house decision-making.
- CodeMittelstufeNeu
Structured Prediction für die Layoutextraktion in einem Düsseldorfer LegalTech
Du erhältst 4.000 annotierte deutsche Vertrags-PDFs mit pro Token gelabelten Klauselgrenzen, Sektionsgrenzen und Klauseltypen (15 Klassen). Trainiere zwei Modelle: (a) BERT-Base…
- Structured Prediction
- Conditional Random Fields
- Named Entity Recognition
Fachübergreifend - CodeSeniorNeu
Vortrainiertes LLM für ein klinisches Pflegedokumentations-Startup adaptieren
Du erhältst 8.000 anonymisierte Pflegedokumentations-Einträge plus 200 manuell bewertete Goldene-Standard-Beispiele. Wähle ein offenes Basismodell (Llama 3 8B oder Mistral 7B), …
- LLM Fine Tuning
- Parameter Efficient Fine Tuning
- Pytorch
Fachübergreifend - CodeMittelstufeNeu
Neuronale MT-Domaenenadaption fuer einen Maschinenbau-Dokumentationsanbieter
Du erhaeltst rund 200 000 parallele Saetze Deutsch-Englisch aus Wartungsanleitungen und Bedienhandbuechern eines Maschinenbau-Korpus. Wahle ein vortrainiertes Modell (z. B. Hels…
- Neural Machine Translation
- Domain Adaptation
- Fine Tuning
Fachübergreifend - CodeMittelstufeNeu
Segmentierung von Lungen-CT-Aufnahmen für ein Münchner MedTech
Du erhältst Zugriff auf den öffentlichen LUNA16-Datensatz (888 anonymisierte Lungen-CT-Scans, frei verfügbar für Forschung) und eine kleine Validierungsmenge mit präzisen Annota…
- Medical Image Segmentation
- U Net
- Pytorch
Fachübergreifend Get recognized by recruiters and employers.
Credentials are blockchain-anchored via LearnCoin — tamper-evident, portable, link-shareable on LinkedIn and beyond.
Why Ewance
- CodeEinsteigerNeu
CNN-basierter Qualitäts-Klassifikator für eine Lebensmittel-Bäckerei-Kette
Du erhältst 24.000 annotierte Brötchen-Bilder (3 Klassen). Trainiere einen MobileNet- oder EfficientNet-Klassifikator mit Transfer Learning, evaluiere mit Macro-F1 und pro-Klass…
- Cnn Architectures
- Transfer Learning
- Image Classification
Deep Learning - ResearchMittelstufeNeu
Multi-Task-Learning fuer einen E-Commerce-Recommender
Du erhaeltst 18 Monate Web-Telemetrie-Daten (rund 4,2 Millionen Sessions) mit Labels fuer alle drei Aufgaben. Implementiere zwei Architekturen: (1) drei separate XGBoost-Modelle…
- Multi Task Learning
- Neural Networks
- Model Evaluation
Fachübergreifend - AnalysisMittelstufeNeu
Stereo-Tiefenschätzung für ein Drohnen-Inspektions-Startup vergleichen
Du erhältst 500 kalibrierte Stereo-Paare aus einer Turbinen-Inspektion plus sparsame LiDAR-Ground-Truth für jedes Paar. Implementiere (oder integriere) drei Tiefenschätzer: Open…
- Stereo Depth Estimation
- Multi View Geometry
- Model Evaluation
3D Vision and Multi-View Geometry - CodeMittelstufeNeu
U-Net-Segmentierung von Lungenrundherden auf CT fuer ein Heidelberger Forschungslabor
Du baust einen 3D-U-Net-Segmentierer in PyTorch auf rund 800 CT-Volumen mit annotierten Lungenrundherden. Verwende eine Dice-Loss + Cross-Entropy-Kombination und Data-Augmentati…
- Medical Image Segmentation
- U Net
- Deep Learning
Machine Learning for Imaging and Medical Image Analysis - CodeMittelstufeNeu
Diffusionsmodell für Mode-Lookbook-Variationen trainieren
Du erhältst 30 Studio-Fotos des Sommer-Lookbooks plus eine Stilrichtlinie (Lichtsetzung, Farbpalette, Pose-Repertoire). Finetune mit LoRA (Low-Rank Adaptation) auf SDXL, generie…
- Diffusion Models
- Lora Finetuning
- Stable Diffusion
Fachübergreifend - CodeSeniorNeu
Modellbasiertes RL für Energie-Speichersteuerung
Du bekommst zwei Jahre stündliche Day-Ahead- und Intraday-Preisdaten plus ein Batterie-Modell (Kapazität, Round-Trip-Effizienz, Degradation). Trainiere ein neuronales Übergangsm…
- Model Based Rl
- Reinforcement Learning
- Time Series Forecasting
Fachübergreifend - CodeEinsteigerNeu
Segmentierung von Wundfotos für eine Berliner Heimpflegeapp
Sie erhalten 1.500 gelabelte Wundfotos (Bildmaske pro Bild, kuratiert von einer Wund-Expertin) — keine echten Patientendaten, sondern ein synthetisch erstellter Beispiel-Datensa…
- Image Segmentation
- U Net
- Pytorch
Fachübergreifend - CodeMittelstufeNeu
Gestensteuerung für einen Logistik-AMR im Hafenumschlag
Du erhältst einen vorlabelten Datensatz aus 1.200 Gestenvideos (acht Bediener:innen, je sechs Gesten, mit Annotationen). Trainiere einen leichten Klassifikator (MoveNet-Skelett …
- Gesture Recognition
- Real Time Inference
- Pytorch
Fachübergreifend - CodeMittelstufeNeu
VAE-basierte Anomalie-Erkennung für Banküberweisungen
Du bekommst 1,2 Mio. anonymisierte legitime Transaktionen, 4.000 als auffällig markierte Transaktionen und das heutige Regel-Set. Trainiere ein VAE auf den legitimen Daten, nutz…
- Vae
- Generative Models
- Anomaly Detection
Generative AI - ResearchMittelstufeNeu
Auktions-Agenten für Berliner Strommarkt-Forschungslabor
Bauen Sie das Simulationsframework in Python (Mesa oder eigenes Setup). Implementieren Sie drei Agententypen mit unterschiedlichen Bietstrategien: (1) myopisch-rationale Agenten…
- Multi Agent Systems
- Reinforcement Learning
- Market Design
Multi-Agent Systems - ResearchMittelstufeNeu
VAE für synthetische Tabellen-Daten in einem Versicherungs-Forschungslabor
Du erhältst einen anonymisierten Schadendatensatz (100.000 Zeilen, 24 Spalten — kategorisch und numerisch gemischt). Implementiere einen Tabellen-VAE (z. B. CTGAN-Architektur od…
- Variational Autoencoders
- Synthetic Data Generation
- Differential Privacy
Fachübergreifend - DesignMittelstufeNeu
Generatives Wahrnehmungs-Modell fuer einen Industriedesign-Studio
Du baust eine Pipeline auf Basis von Stable Diffusion mit ControlNet (auf Edge-Map konditioniert), die Skizzen + Style-Referenz in foto-realistische Konzept-Renders konvertiert.…
- Generative Models
- Diffusion Models
- User Study Design
Machine Perception
So funktioniert's
Vom Briefing zum Zertifikat – in sechs Schritten.
Schritt 01
Durchsuche Challenges passend zu Deinem Studium.
Schritt 02
Wähle das Projekt, das zu Deinen Zielen passt.
Schritt 03
Arbeite es mit Hilfe des AI Copiloten durch.
Schritt 04
Reiche es zur strukturierten Bewertung ein.
Schritt 05
Erhalte ein verifiziertes Zertifikat.
Schritt 06
Füge es Deinem LinkedIn-Profil mit einem Klick hinzu.
Verwandte Kompetenzfelder
Alle Kompetenzen durchsuchenBranchenteams hinter einem Jahrzehnt praxisorientierter Briefings
Aus diesem Pool einstellen?
Sponsere eine Challenge und lerne Kandidaten durch ihre tatsächliche Arbeit kennen.
Industrieteams können Briefings rund um die Fähigkeiten gestalten, die sie suchen, und Studierende anhand von bewertungsmatrix-gestützten Ergebnissen beurteilen – nicht anhand von Lebensläufen.



















































































