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.
Empfohlene Industrieprojekte
· PyTorch oder TensorFlow Zurücksetzen- 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 - CodeSeniorNeu
Detektion von diabetischer Retinopathie fuer ein Mittelstand-MedTech
Du erhaeltst rund 35 000 Funduskamera-Bilder mit DR-Labels (5 Klassen, stark imbalanciert). Trainiere einen EfficientNet-B4-Klassifikator mit Klassen-gewichteten Loss und starke…
- Medical Image Classification
- Deep Learning
- Pytorch
Machine Learning for Imaging and Medical Image Analysis - CodeMittelstufeNeu
Verteiltes Training eines CTR-Modells für eine Münchner AdTech-Plattform
Du erhältst das bestehende PyTorch-Trainings-Skript (ein zweistöckiges Deep & Wide-Modell), einen 4-GPU-Server (4x NVIDIA A100) und eine Daten-Stichprobe von 500 Millionen Impre…
- Distributed Training
- Pytorch
- Gpu Optimization
Machine Learning at Scale - ResearchSeniorNeu
Foundation-Model-Pretraining fuer Multi-Skill-Robotik-Plattform
Du arbeitest mit einem Open-Source-VLA-Checkpoint (z. B. OpenVLA oder Vergleichbares) und einer Sim-Plattform fuer 3 Aufgaben (Pick, Place, Insertion). Pro Aufgabe sammelst du 1…
- Foundation Models
- Vision Language Action
- Robot Learning
Robot Learning Practice your coursework on real scenarios.
Every challenge is shaped from real-world context — not generic exercises. The work mirrors what your degree prepares you for.
Why Ewance
- AnalysisMittelstufeNeu
Stereo-Tiefenschätzung für einen Schwarzwälder Mähroboter-Hersteller
Sie erhalten 400 kalibrierte Stereopaare aus Garten- und Park-Szenen plus spärliche LiDAR-Ground-Truth. Implementieren Sie drei Tiefenschätzer: OpenCV Semi-Global Matching (SGM)…
- Stereo Depth Estimation
- Multi View Geometry
- Model Evaluation
Fachübergreifend - ResearchMittelstufeNeu
Autoregressive Sequenz-Generation für ein Game-Studio in Berlin
Du erhältst die Quest-Bibliothek (strukturierter JSON-Datensatz mit Ziel, Twist, Belohnung, Welt-Tags) sowie eine Stilrichtlinie aus dem Writers' Room. Trainiere einen kleinen a…
- Autoregressive Models
- Transformer Training
- Text Generation
Deep Generative Models - CodeEinsteigerNeu
Pflanzen-Erkennungs-App für ein Freiburger Naturschutz-Projekt
Sie erhalten 8.000 gelabelte Pflanzenbilder aus iNaturalist (auf die 25 regionalen Arten gefiltert) plus 200 Bilder, die Ehrenamtliche selbst gemacht haben (mit handheld-typisch…
- Image Classification
- Transfer Learning
- Data Augmentation
Computer Vision (Undergraduate) - CodeMittelstufeNeu
Sequenzmodell fuer Sturzerkennung in einem Pflegeheim
Du erhaeltst rund 12 000 markierte Sequenzen (10 Sekunden, dreiachsig, 50 Hz) aus den Wearables — etwa 5 Prozent davon sind echte Sturz-Ereignisse, der Rest sind Alltagsbewegung…
- Sequence Models
- Time Series
- Deep Learning
Machine Perception - Browse challenges
Explore role
Marketing Analyst
Plan and measure campaigns that grow the business. Funnel analytics, attribution, segmentation, and the rigorous measurement that lets marketing defend its budget at the leadership table.
- ResearchSeniorNeu
Generatives Augmentations-Modell fuer einen Lebensmittelinspektor
Du erhaeltst rund 8 000 Inspektor-Bilder (3 000 fehlerfrei, 4 500 haeufige Defekte, 500 Mikrorisse) plus eine vortrainierte Stable-Diffusion-Pipeline. Verwende ControlNet oder D…
- Generative Models
- Data Augmentation
- Computer Vision
Fachübergreifend - ResearchMittelstufeNeu
Cross-Modal-Translation für Hamburger Marine-Forschung
Sie erhalten 80 Stunden Hydrophon-Aufnahmen mit zeitgestempelten optischen Snapshots, jeder Snapshot manuell in 6 Riff-Zustandsklassen kategorisiert. Trainieren Sie ein Audio-Mo…
- Cross Modal Learning
- Audio Classification
- Pytorch
Fachübergreifend - CodeMittelstufeNeu
DQN-Routing-Policy für mobile Lagerroboter trainieren
Du bekommst einen Gymnasium-kompatiblen Lager-Simulator (50x50-Raster, 8 dynamische Fußgänger als Hindernisse, 20 zufällige Pick-Positionen) und das Baseline-A*-Skript. Trainier…
- Deep Q Learning
- Reinforcement Learning
- Pytorch
Deep Reinforcement Learning - ResearchSeniorNeu
Self-Supervised Pretraining fuer einen Histopathologie-Anbieter
Du fuehrst Self-Supervised Pretraining (SimCLR oder DINO) auf 80 000 unlabelten Slide-Patches (224x224 Pixel) durch und vergleichst zwei Downstream-Klassifikatoren auf einem 500…
- Self Supervised Learning
- Transfer Learning
- Medical Image Classification
Fachübergreifend Build a verifiable portfolio.
Submissions become evidence. Reviewers with shipping experience score against a rubric; the result becomes a credential anyone can verify.
Why Ewance
- CodeMittelstufeNeu
Echtzeit-Detektion von Schutzausrüstung auf einer Großbaustelle
Du erhältst 6.000 annotierte Bilder (Personen mit/ohne Helm, mit/ohne Warnweste) sowie Test-Videos von 3 Kameras. Trainiere YOLOv8 oder YOLOv10 auf den 4 Klassen, optimiere für …
- Object Detection
- Yolo
- Edge Deployment
Fachübergreifend - CodeMittelstufeNeu
Forecast-Capstone für Frankfurter Energiehändler
Sie erhalten drei Jahre historischer Stundenpreise, Wind- und Solar-Einspeise-Forecasts, Last-Forecasts und Gas-Spotpreise (alles öffentlich zugängliche Daten). Bauen Sie drei M…
- Time Series Forecasting
- Feature Engineering
- Lightgbm
AI/ML Practicum and Hands-on Lab - CodeMittelstufeNeu
PINN für die Wärmeleitung in einem Spritzgießwerkzeug
Du erhältst 200 FEM-Referenzlösungen für unterschiedliche Kühlkanal-Geometrien (Position und Durchmesser) eines vereinfachten 2D-Werkzeugquerschnitts. Implementiere ein PINN mit…
- Physics Informed Neural Networks
- Pytorch
- Scientific Computing
AI for Science and Engineering - ResearchMittelstufeNeu
Transfer-Learning fuer ein Pharma-Foundation-Modell auf molekulare Eigenschaften
Du erhaeltst SMILES-Strings (Notation fuer Molekuelstrukturen) mit Messwerten fuer 4 ADMET-Endpunkte (rund 8 000 - 25 000 Molekuele je Endpunkt). Wahle ein vortrainiertes moleku…
- Transfer Learning
- Foundation Models
- Molecular Ml
Fachübergreifend - ResearchMittelstufeNeu
Spurerkennungs-Lab für Tier-1-Zulieferer im Raum Stuttgart
Sie arbeiten mit dem öffentlichen TuSimple-Spurerkennungs-Datensatz (rund 6.000 annotierte Bilder). Trainieren Sie zwei Architekturen: (1) ein klassisches CNN mit Spline-Regress…
- Pytorch
- Computer Vision
- Lane Detection
AI/ML Practicum and Hands-on Lab - CodeMittelstufeNeu
Bildrestaurierung historischer Drucke für ein Wiener Archiv
Du erhältst 300 hochaufgelöste Scans (TIFF) und eine Validierungsmenge von 30 manuell restaurierten Referenzseiten. Implementiere eine Restaurierungs-Pipeline mit (1) Vergilbung…
- Image Restoration
- Inpainting
- Super Resolution
Image Processing and Computational Imaging - CodeMittelstufeNeu
Variational Autoencoder fuer Pharma-Molekuelfingerprints
Du erhaeltst rund 280.000 SMILES mit Bindungsaffinitaeten gegen eine GPCR-Klasse. Trainiere einen Sequence-VAE (z. B. nach Gomez-Bombarelli 2018) mit 64-dimensionalem Latentraum…
- Variational Autoencoders
- Variational Inference
- Generative Models
Fachübergreifend - 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 - CodeEinsteigerNeu
Transformer-Klassifikator für Kundenservice-Mails in einem Energiehandel
Du erhältst 18.000 gelabelte Mails (6 Klassen, anonymisiert). Trainiere einen deutschen BERT (z. B. GBERT oder dbmdz/bert-base-german-cased), vergleiche gegen TF-IDF + logistisc…
- Transformer Architectures
- Text Classification
- Fine Tuning
Deep Learning - CodeEinsteigerNeu
MLP-Baseline für Strompreis-Prognose in einem Stadtwerk
Du erhältst 3 Jahre Spotpreis-Daten plus exogene Variablen (Last, Wind, Solar, Brennstoffpreise). Implementiere eine MLP-Prognose (Input: 168 Stunden Historie + exogene Features…
- Mlp Architectures
- Time Series Forecasting
- Pytorch
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 - 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
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.



















































































