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
Simulationsbasierte Bayes'sche Inferenz für Sensor-Kalibrierung
Du arbeitest mit einem öffentlich dokumentierten nicht-linearen Sensormodell mit fünf Parametern, das du aus einem bestehenden Simulator beziehen kannst. Generiere mit dem Simul…
- Simulation Based Inference
- Normalizing Flows
- Bayesian Inference
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 - 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
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 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
- CodeMittelstufeNeu
Modell-Pruning für ein Fahrer-Müdigkeitssystem im Automotive-ECU
Du erhältst ein in PyTorch trainiertes Müdigkeits-CNN (ResNet-18-Basis) plus einen markierten Datensatz von 20.000 Gesichts-Crops aus Fahrer-Innenraumkameras. Implementiere stru…
- Model Pruning
- Hardware Aware Design
- Pytorch
Fachübergreifend - ResearchMittelstufeNeu
Kooperative Agenten für Game-Studio in Wien
Sie bekommen ein vereinfachtes Grid-World-Spiel (Ressourcen sammeln, Hindernisse umgehen, gemeinsame Ziele erreichen) mit Python-API. Implementieren Sie zwei KI-Begleiter-Varian…
- Multi Agent Rl
- Mappo
- User Study
Multi-Agent Systems - 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 - 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 - Browse challenges
Explore role
Pricing Strategist
Set the price that captures value without leaving sales on the table. Demand modelling, willingness-to-pay research, and the disciplined experimentation that turns pricing into a competitive advantage.
- 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 - 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 - ResearchMittelstufeNeu
Lernen aus Nutzerfeedback für einen Pflegeassistenz-Roboter
Du erhältst eine Habitat-2.0-Simulationsumgebung mit einem mobilen Roboter, drei Räumen und einem virtuellen Nutzer-Agent, der unterschiedliche Komfort-Profile simuliert (z. B. …
- Reinforcement Learning
- Rlhf
- Pytorch
Fachübergreifend - ResearchSeniorNeu
Embodied-Vision-Aufgabe für einen Indoor-Service-Roboter entwerfen
Du nutzt den Habitat-Simulator (Meta AI) mit Replica- oder Matterport3D-Szenen als Wohnzimmer-Stand-in (klinische Daten sind nicht verfügbar). Entwirf einen Such-Agent, der ein …
- Embodied Vision
- Object Navigation
- Reinforcement Learning
Fachübergreifend Get recognized by recruiters and employers.
Credentials are blockchain-anchored via LearnCoin — tamper-evident, portable, link-shareable on LinkedIn and beyond.
Why Ewance
- CodeMittelstufeNeu
Defekt-Klassifikator für eine Halbleiter-Fabrik in Sachsen
Du erhältst 80.000 gelabelte Inspektions-Bilder (9 Klassen, mit starker Unbalance — Top-3 ca. 75 % aller Bilder). Vergleiche eine ResNet-50-Baseline gegen einen modernen CNN (Co…
- Cnn Architectures
- Image Classification
- Transfer Learning
Deep Learning for Computer Vision - ResearchSeniorNeu
Sim-to-Real-Policy für einen 6-Achs-Greifroboter überführen
Du erhältst Zugriff auf einen MuJoCo-Simulator des Greifarms, eine vortrainierte PPO-Policy und einen Datensatz von 200 Real-Roboter-Episoden mit Erfolgs-/Misserfolgs-Labeln. Er…
- Policy Gradients
- Ppo
- Sim To Real
Deep Reinforcement Learning - ResearchMittelstufeNeu
Selbstüberwachtes Pretraining für Defekterkennung in der Halbleiterfertigung
Du erhältst 500.000 ungelabelte Wafer-Patches und 3.000 gelabelte Patches mit fünf Defektklassen. Trainiere zuerst einen Encoder selbstüberwacht (Empfehlung: DINOv2-Architektur …
- Self Supervised Learning
- Representation Learning
- Pytorch
Advanced Deep Learning - ResearchMittelstufeNeu
Adversariale Robustness eines Bilderkennungs-Modells im Bauwesen
Du erhältst das vortrainierte Modell (PyTorch), einen Test-Datensatz von rund 6.000 Baustellen-Bildern mit PSA-Labeling und Zugang zu einer Robustness-Bibliothek (z. B. torchatt…
- Adversarial Robustness
- Robustness
- Computer Vision
Trustworthy AI, Robustness, and Safety - ResearchMittelstufeNeu
Kernel-Methoden vs. neuronales Netz auf Chromatographie-Daten
Du erhaeltst rund 12 000 Chargen mit je einem 800-Punkt-Chromatogramm (numerische Zeitreihe) plus Zielspalte (konform/abweichend). Implementiere zwei Vergleichsmodelle: (1) Kern…
- Kernel Methods
- Neural Networks
- Model Evaluation
Fachübergreifend - CodeMittelstufeNeu
Visuelle Anomalie-Erkennung für eine Röntgen-Triage-Lösung
Du arbeitest mit dem offenen NIH ChestX-ray14-Datensatz (etwa 112.000 Röntgen-Bilder). Trainiere zwei Modelle: (1) ein binäres Anomalie-vs.-unauffällig-Modell auf einem ConvNeXt…
- Medical Imaging
- Image Classification
- Model Evaluation
Visual Intelligence and Visual Reasoning - CodeMittelstufeNeu
Hand-Tracking-Pipeline für ein AR-Trainings-Startup verbessern
Du erhältst rund 6 Stunden aufgezeichnete Hand-Tracking-Sessions aus 20 Trainings-Lern-Aufgaben plus die zugehörigen Headset-Logs. Klassifiziere die Fehler-Modi (schneller Move,…
- Pose Estimation
- Temporal Smoothing
- Kalman Filter
Fachübergreifend - CodeMittelstufeNeu
Lern-basierte Greifer-Steuerung für einen Sortierautomaten
Du erhältst einen Datensatz von 6.000 Greif-Episoden (Kamerabild vor dem Greifvorgang, Kommando-Saugkraft, Last-Sensor-Verlauf, Erfolg/Misserfolg-Label). Trainiere ein Modell, d…
- Learning Based Control
- Computer Vision
- Pytorch
Fachübergreifend - CodeMittelstufeNeu
Verkehrsteilnehmer-Erkennung für einen Stuttgarter Premium-OEM verbessern
Sie erhalten 18.000 gelabelte Innenstadt-Frames aus drei DACH-Städten plus 1.500 Frames mit dokumentierten Edge Cases (Schaufenster-Spiegelung, Schatten, Regen). Trainieren Sie …
- Object Detection
- Transfer Learning
- Edge Case Analysis
Fachübergreifend - AnalysisMittelstufeNeu
Szenenverständnis-Benchmark für ein Autonomes-Fahren-Team
Du erhältst 800 Frontkamera-Frames aus DACH-Straßen (Mischung Stadt, Land, Autobahn) plus 80 von Domänenexpert:innen geschriebene Szenenbeschreibungen als Goldstandard. Vergleic…
- Vision Language Models
- Scene Understanding
- Model Evaluation
Visual Intelligence and Visual Reasoning - CodeEinsteigerNeu
Objekterkennung für ein Erfurter Solarpark-Drohnenmonitoring
Sie erhalten 3.500 gelabelte Drohnenbilder (Bounding-Boxes für Hotspot, Verschmutzung, Beschädigung). Trainieren Sie einen YOLOv8-Detektor mit Transfer Learning und vergleichen …
- Object Detection
- Transfer Learning
- Pytorch
Fachübergreifend - CodeMittelstufeNeu
Keyword-Spotting für ein Industrie-Hörgerät auf der Schwäbischen Alb
Du erhältst einen deutschen Keyword-Datensatz mit 8 Warn-Worten (rund 12.000 Samples) und 30 Stunden Industrie-Hintergrund-Geräusche aus Werkshallen. Trainiere ein leichtes Conv…
- Keyword Spotting
- Speech Recognition
- Edge Deployment
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.



















































































