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- 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 - CodeSeniorNeu
Actor-Critic fuer adaptive Ampelsteuerung in einer mittleren Stadt
Du erhaeltst eine SUMO-Konfiguration fuer den Innenstadtbereich mit 8 Kreuzungen sowie Verkehrszaehldaten fuer eine typische Werktagswoche. Implementiere Multi-Agent-Actor-Criti…
- Actor Critic
- Multi Agent Rl
- Function Approximation
Reinforcement Learning - ResearchSeniorNeu
End-to-End-Lernen für einen Münchner Premium-OEM evaluieren
Sie nutzen den CommaAI Comma2k19-Datensatz als offene Basis (Frontkamera plus Steuerdaten). Trainieren Sie ein ConvNet, das aus dem aktuellen Frame Lenkwinkel-Delta und Geschwin…
- End To End Learning
- Imitation Learning
- Pytorch
Fachübergreifend - CodeSeniorNeu
Constitutional-AI-Replikation fuer mittelstaendischen Versicherungs-Chatbot
Du entwirfst: (1) eine Constitution mit 8-12 Sicherheits-Prinzipien fuer Versicherungs-Kundenkontakt (Datenschutz, Beratungsabgrenzung, klare Eskalation), (2) eine Critique-and-…
- Constitutional Ai
- Rlhf
- Direct Preference Optimization
Fachübergreifend 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
- 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 - ResearchMittelstufeNeu
Transformer-Probing für Linguistik-Forschungsgruppe
Sie konzipieren drei Probing-Tasks für deutsche grammatische Phänomene und erstellen pro Task 600 minimal-paar-Beispiele. Trainieren Sie pro Modell und pro Task einen Linear-Pro…
- Model Probing
- Transformer Analysis
- German Bert
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 - CodeMittelstufeNeu
Multimodale Schadenserkennung fuer einen Versicherer aus Foto + Sprachmemo
Du erhaeltst rund 4 800 anonymisierte Schadenmeldungen: pro Meldung ein JPEG (Schadensfoto) und eine WAV-Datei (Sprachmemo, deutsch). Verarbeite das Foto mit einem vortrainierte…
- Multimodal Learning
- Computer Vision
- Speech Recognition
Fachübergreifend - 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.
- 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 - 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 - 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 - 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 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
Deutsche Sprachsteuerung für ein Infotainment-System eines Autoherstellers
Du erhältst einen deutschsprachigen Befehls-Datensatz (rund 5.000 Audio-Clips mit 60 Infotainment-Befehlen wie 'Navigation nach Stuttgart starten' oder 'Klima auf 21 Grad setzen…
- Speech Recognition
- Audio Processing
- Pytorch
Speech Recognition and Spoken Language Processing - 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
Defekterkennung auf einem ARM-Cortex-M7-Mikrocontroller deployen
Du bekommst ein in PyTorch trainiertes 1D-CNN (rund 380 KB FP32) plus 5.000 markierte Vibrationsfenster aus dem Feld. Konvertiere das Modell mit Post-Training-Quantisierung auf …
- Model Quantization
- Edge Inference
- Tflite Micro
Fachübergreifend - 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 - ResearchMittelstufeNeu
Vision-Transformer für Mikroplastik-Detektion in Umweltproben
Du erhältst 18.000 mikroskopische Bildausschnitte mit 6 Partikel-Klassen (Polyethylen, Polystyrol, Polyamid, Polypropylen, Sand-Artefakt, Algen-Artefakt). Trainiere einen ViT (z…
- Vision Transformers
- Image Classification
- Self Supervised Pretraining
Fachübergreifend - ResearchMittelstufeNeu
Diffusionsmodell für synthetische Trainingsdaten im Onlinehandel feintunen
Du erhältst 5.000 reale Produktfotos in 12 Kategorien plus eine vortrainierte Stable-Diffusion-XL-Checkpoint. Wähle eine Fine-Tuning-Methode (DreamBooth oder LoRA — Low-Rank Ada…
- Generative Models
- Diffusion Models
- Fine Tuning
Advanced Deep Learning - CodeEinsteigerNeu
Satellitenbild-Klassifikation für eine Klima-NGO in Hamburg
Du erhältst 1.500 vorlabelte Sentinel-2-Patches (jeweils 256x256 Pixel) aus drei Bundesländern (Niedersachsen, Mecklenburg-Vorpommern, Schleswig-Holstein) mit drei Klassen plus …
- Remote Sensing
- Image Segmentation
- U Net
Image Processing and Computational Imaging - CodeEinsteigerNeu
End-to-End Defekterkennung für Schwäbischen Maschinenbauer
Sie bekommen einen Bildordner mit Klassen-Subdirectories und eine CSV mit Aufnahmemetadaten. Erstellen Sie eine reproduzierbare Pipeline: Datensplit (Train/Val/Test) ohne Leakag…
- Pytorch
- Transfer Learning
- Computer Vision
AI/ML Practicum and Hands-on Lab - CodeSeniorNeu
Federated Learning für Tier-1-Zulieferer-Konsortium
Sie simulieren drei Clients (je ein Zulieferer) mit nicht-IID-verteilten Datensätzen (jeder Zulieferer hat eigene Defekt-Klassen-Verteilung). Implementieren Sie FedAvg und FedPr…
- Federated Learning
- Fedavg
- Fedprox
Fachübergreifend - 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) - 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
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
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.



















































































