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- ResearchMittelstufeNeu
Mammographie-Klassifikator mit Erklaerbarkeit fuer ein Wiener Brustzentrum
Du erhaeltst rund 6 000 Mammographie-Bilder mit BI-RADS-Labels (Breast Imaging Reporting and Data System, Standardklassifikation 0-6) aus einem oeffentlichen Datensatz (z. B. CB…
- Medical Image Classification
- Deep Learning
- Model Interpretation
Machine Learning for Imaging and Medical Image Analysis - CodeMittelstufeNeu
Lernende Re-Ranking-Schicht für eine Reise-Suchplattform
Du erhältst 1,2 Mio anonymisierte Such-Logeinträge mit Klicks und Buchungen aus drei Monaten, plus ein vordefiniertes Feature-Set (Preis, Bewertung, Verfügbarkeit, Reiseziel-Bel…
- Learning To Rank
- Lambdamart
- Xgboost
Fachübergreifend - CodeEinsteigerNeu
Visuelle Regal-Analyse für einen Lebensmittel-Filialisten
Du erhältst rund 1.500 Regal-Fotos aus 20 anonymisierten Filialen plus Annotationen (Produkt-Bounding-Boxes, Lückenpositionen, Preisetiketten) und einen Katalog von 250 Produkte…
- Object Detection
- Image Classification
- Model Quantization
Visual Intelligence and Visual Reasoning - 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 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
- CodeSeniorNeu
Distributed-Training-Setup für DAX-Konzern in Frankfurt
Sie bekommen Zugriff (per VPN) auf einen Test-Cluster mit 4 Knoten à 4 A100-GPUs. Trainieren Sie ein 1,3-Milliarden-Parameter-Sprachmodell (Pythia oder eine eigene Variante) mit…
- Distributed Training
- Pytorch
- Fsdp
Fachübergreifend - ResearchSeniorNeu
Sim-to-Real-Bewertung für ein Berliner Lager-Robotik-Startup
Verwende eine trainierte PPO-Policy (Proximal Policy Optimization — ein populärer RL-Algorithmus) für eine Block-Stack-Aufgabe in Isaac Gym oder Isaac Lab. Implementiere drei Si…
- Reinforcement Learning
- Sim To Real
- Domain Randomization
Fachübergreifend - 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 - ResearchSeniorNeu
Trajektorienvorhersage für einen Ingolstädter Premium-OEM evaluieren
Sie nutzen den Argoverse-2-Motion-Forecasting-Datensatz als Standard-Benchmark. Trainieren Sie ein einfaches LSTM-Modell als Baseline und ein VectorNet-ähnliches Graph-Modell al…
- Trajectory Prediction
- Graph Neural Networks
- Lstm
Fachübergreifend - Browse challenges
Explore role
Product Manager
Ship product that solves real user problems. Combine user research, prototyping, and stakeholder alignment to turn ambiguous briefs into measurable wins — the role at the centre of modern software teams.
- CodeMittelstufeNeu
Audio-Video-Fusion für Sport-Highlight-Detektor
Sie bekommen einen Datensatz von 200 Stunden Fußballspielen mit zeitstempelten Highlight-Annotationen (Tore, Großchancen, Karten). Implementieren Sie drei Modelle: (1) rein-visu…
- Multimodal Fusion
- Video Classification
- Audio Classification
Multimodal Machine Learning - CodeEinsteigerNeu
Transformer-Fine-Tuning für deutsche Patentanwaltskanzlei
Sie erhalten 14.000 deutsche Patentschriften-Abstracts mit Klassen-Labels. Fine-tunen Sie gbert-large (deutsches BERT) auf 80 % der Daten und evaluieren auf 20 %. Baseline: TF-I…
- Transformer Fine Tuning
- German Bert
- Text Classification
Fachübergreifend - CodeMittelstufeNeu
Audio-Event-Erkennung fuer einen Offshore-Windpark
Du erhaeltst rund 18 000 Hydrofonaufnahmen (je 30 Sekunden, 16 kHz) mit Multi-Label-Annotation (Schiff/Stoerung/Wal/Stille). Wandle in Mel-Spektrogramme um, baue einen CNN-Klass…
- Audio Classification
- Spectrograms
- Deep Learning
Machine Perception - CodeMittelstufeNeu
Policy Gradient fuer Energy-Storage-Bidding in Berlin
Du erhaeltst 6 Monate Spotmarkt- und Regelleistungspreise (15-Minuten-Aufloesung) sowie eine Batterie-Spezifikation (Kapazitaet, Lade-/Entlade-Wirkungsgrad, Zyklus-Kostenmodell)…
- Policy Gradient
- Reinforce
- Function Approximation
Reinforcement Learning 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
- ResearchSeniorNeu
MAML fuer schnelle Personalisierung eines Sprachenlern-Startups
Du erhaeltst Antworten von rund 30 000 Nutzer:innen ueber rund 800 Vokabel- und Grammatik-Aufgaben. Trainiere ein MAML-Modell auf 25 000 Nutzer:innen (Meta-Training) und teste d…
- Meta Learning
- Few Shot Learning
- Personalization
Fachübergreifend - CodeMittelstufeNeu
Hindernis-Erkennung für Inspektions-Drohnen in Offshore-Windparks
Du erhältst einen annotierten Datensatz von 8.000 Stereo-Frames aus echten Offshore-Inspektionen (Pixel-Labels für Blatt, Mast, Strebe, Hintergrund-Meer/Himmel). Trainiere ein l…
- Semantic Segmentation
- Edge Deployment
- Pytorch
Robot Perception and Autonomy - CodeSeniorNeu
Neural-Operator-Surrogat für Strömungssimulation in einem Windpark
Du erhältst 1.200 RANS-Simulationen eines vereinfachten 12-Turbinen-Parks mit variierenden Windrichtungen, Windgeschwindigkeiten und Turbulenzintensitäten. Trainiere einen FNO a…
- Neural Operators
- Fourier Neural Operator
- Cfd Surrogates
Fachübergreifend - CodeMittelstufeNeu
LoRA-Fine-Tuning eines Mistral-Modells für Versicherungs-E-Mails
Du bekommst 25.000 anonymisierte E-Mails mit Kategorie-Labels und 5.000 Holdout-Mails. Fine-tune Mistral-7B mit LoRA-Adaptern (Rank 16, alpha 32) auf einer A100-GPU. Trainiere d…
- Lora
- Supervised Fine Tuning
- LLM Evaluation
Fine-Tuning Large Language Models - CodeMittelstufeNeu
Bildverarbeitungsmodell für die Qualitätskontrolle eines OWL-Mittelständlers
Sie erhalten 4.500 gelabelte Bilder von Gehäuseoberflächen (Klassen: in Ordnung, Kratzer, Delle, Verfärbung). Trainieren Sie ein Convolutional Neural Network (CNN) — entweder fi…
- Computer Vision
- Cnn
- Transfer Learning
Applied Machine Learning - ResearchMittelstufeNeu
Cross-lingualer Transfer fuer Sentiment-Analyse in DACH-Maerkten
Du erhaeltst rund 80 000 deutsche annotierte Posts (positiv/neutral/negativ), rund 6 000 italienische und 4 000 franzoesische Posts. Implementiere drei Setups: (1) deutsches XLM…
- Transfer Learning
- Cross Lingual Transfer
- Foundation Models
Meta-Learning, Transfer Learning, and Multi-Task Learning - ResearchSeniorNeu
Interpretierbarkeits-Analyse eines fein-justierten Sprachmodells
Du erhältst Zugang zum Basismodell und zum fein-justierten Modell sowie zu einem kuratierten Probing-Datensatz (etwa 200 sorgfältig konstruierte Prompts pro Verhaltens-Kategorie…
- Mechanistic Interpretability
- Activation Patching
- Logit Lens
AI Safety and Alignment - 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 - ResearchSeniorNeu
Mixture-of-Experts-Skalierungsanalyse für ein Climate-Tech-Forschungslabor
Verwende den ERA5-Re-Analyse-Datensatz (öffentlich, durch ECMWF bereitgestellt). Trainiere eine Familie dichter Transformer (50M, 150M, 400M Parameter) und eine parameter-äquiva…
- Mixture Of Experts
- Scaling Laws
- Transformer Architectures
Fachübergreifend - CodeSeniorNeu
Off-Policy-Imitation aus Werker-Aufzeichnungen bei Stuttgarter Automotive-Tier-1
Du erhaeltst die 18.000 Trajektorien plus ein passendes Sim-Modell der Vor-Montage-Zelle. Implementiere: (1) BC-Baseline auf den vollen Daten, (2) IQL oder CQL als Offline-RL, (…
- Offline Reinforcement Learning
- Implicit Q Learning
- Conservative Q Learning
Robot Learning - CodeSeniorNeu
Sim-to-Real-Transfer für einen Quadruped-Inspektionsroboter
Du arbeitest in Isaac Gym (NVIDIA-GPU-beschleunigter Roboter-Simulator) mit einem URDF des Roboters. Trainiere eine Policy zum Laufen auf nassem Beton mit Domain-Randomization ü…
- Learning Based Control
- Reinforcement Learning
- Simulation
Robotics - ResearchSeniorNeu
Normalizing-Flow-Modell für Energiepreis-Risiko in einem Energieversorger
Du erhältst 4 Jahre Spotpreis-Daten plus Tages-Last und Wind-Einspeise-Prognosen. Implementiere einen bedingten Normalizing-Flow (z. B. Real-NVP oder Neural Spline Flow), traini…
- Normalizing Flows
- Density Estimation
- Conditional Generation
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.



















































































