KI & Daten
Machine-Learning-Grundlagen Industrieprojekte
Machine-Learning-Grundlagen-Challenges versetzen dich mitten in die Arbeit, Rohdaten in Modelle zu verwandeln, die standhalten. Du entwickelst Fähigkeiten in Supervised Learning, Klassifikation & Regression und Feature Engineering und validierst deine Arbeit dann mit Train/Test-Split und Kreuzvalidierung in scikit-learn.
Von dort meisterst du die kniffligeren Themen — Hyperparameter-Tuning, Tree-Ensembles, Modell-Kalibrierung und Modellauswahl unter Geschäftsanforderungen — und arbeitest dich an Produktionsmodell-Tuning und Feature Pipelines heran, wie es echte ML-Teams tun. Jede gelöste Challenge bringt dir einen verifizierten Nachweis für Recruiter.
- CodeMittelstufeNeu
Lieferzeit-Prognose für einen Hamburger Logistikdienstleister verbessern
Sie erhalten eine Parquet-Datei mit etwa 800.000 Sendungen (Abholzeit, Übergabezeit, Empfänger-PLZ, Gewicht, Sendungsart, Wetterdaten aus DWD). Reinigen Sie Ausreißer und Geschä…
- Feature Engineering
- Regression Modeling
- Data Wrangling
Fachübergreifend - CodeEinsteigerNeu
Algebraische Validierungs-Bibliothek fuer ein FMCG-Backend in Kotlin
Modelliere eine Validated-ADT (Valid plus Invalid) mit Akkumulation von Fehlern (statt Either, das beim ersten Fehler abbricht). Implementiere Combinators (mapN, andThen, orElse…
- Kotlin
- Algebraic Data Types
- Validation
Functional Programming - CodeGrundlagenNeu
Lebensmittelverderb-Prognose fuer einen FMCG-Hersteller
Du erhaeltst eine CSV mit rund 18 000 ausgelieferten Paletten aus den letzten 18 Monaten: Produktart, Produktionscharge, Tag-Zeit-Stempel, Temperatur entlang der Lieferkette (3 …
- Supervised Learning
- Feature Engineering
- Model Evaluation
Fachübergreifend - CodeMittelstufeNeu
Spark-Pipeline für Risiko-Scoring bei einem Frankfurter B2B-Fintech
Du erhältst die bestehende pandas-Pipeline (Feature-Aggregation über 30/90/180-Tage-Fenster pro Geschäftskund:in plus ein bereits trainiertes XGBoost-Modell als PMML-Export), ei…
- Apache Spark
- Distributed Computing
- Feature Engineering
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
- AnalysisMittelstufeNeu
Customer-Lifetime-Value-Modell für einen Energieversorger
Du erhältst anonymisierte Vertragsdaten (5 Jahre, 1,4 Mio. Kund:innen), monatliche Abrechnungen und Akquisitions-Kanal-Information. Implementiere zwei Ansätze: (1) Probabilistis…
- Clv Modeling
- Probabilistic Models
- Xgboost
Data Mining and Information Retrieval - CodeMittelstufeNeu
Reward-Modell aus Praeferenzdaten fuer Berliner Schreibassistenten
Du erhaeltst die 12.000 Praeferenzpaare (Prompt, Response A, Response B, Praeferenz, Annotator-ID) plus Demographie-Tags der Annotatorinnen. Trainiere ein Reward Model nach Brad…
- Reward Modeling
- Preference Learning
- Bradley Terry
Fachübergreifend - AnalysisEinsteigerNeu
Anomalie-Erkennung auf BI-Telemetrie eines Beratungshauses
Du erhältst 6 Monate Telemetrie-Daten: Query-Latenzen (Perzentile), Refresh-Success-Rates, Datenmengen-Trends pro Dashboard. Implementiere mehrere Anomalie-Methoden: (1) STL-Dec…
- Anomaly Detection
- Time Series
- Isolation Forest
Data Mining and Information Retrieval - 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 - 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
Recommendation-System für einen DACH-E-Commerce-Marktplatz
Du erhältst anonymisierte Session-Daten (rund 18 Mio. Sessions, 6 Mio. unique User), Produktmetadaten und 90 Tage Conversion-Daten. Implementiere drei Modelle: (1) Item-kNN als …
- Recommendation Systems
- Collaborative Filtering
- Matrix Factorization
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 - AnalysisEinsteigerNeu
Wearable-Sensorik-Analyse für eine Salzburger Health-Studie
Du erhältst anonymisierte Sensorzeitreihen von 40 Teilnehmer:innen über 2 Wochen, Stress-Diary-Einträge im 30-Minuten-Raster und eine Daten-Validierungs-Checkliste. Implementier…
- Health Informatics
- Time Series Analysis
- Feature Engineering
Fachübergreifend - CodeMittelstufeNeu
Kernel-Methoden für seltene Maschinenfehler im Maschinenbau
Du erhältst 200.000 Sensorfenster (jeweils 2-Sekunden-Schwingungs-FFT plus akustisches Mel-Spektrogramm). Nur 1.200 sind als Defekte gelabelt. Implementiere One-Class-SVM mit RB…
- Kernel Methods
- Gaussian Processes
- Anomaly Detection
Advanced Machine 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
- CodeMittelstufeNeu
Bonitäts-Scoring für ein Kölner Factoring-Unternehmen
Sie erhalten anonymisierte Daten von 18.000 historischen Forderungen über 36 Monate mit Default-Label, plus 24 Features (Unternehmens-Stammdaten, Bilanz-Kennzahlen, Zahlungs-His…
- Supervised Learning
- Feature Engineering
- Model Evaluation
Machine Learning (CS Elective) - AnalysisMittelstufeNeu
Kreditrisiko-Scorecard mit logistischer Regression entwickeln
Du leitest ein dreiköpfiges Team als Senior Data Analyst und entwickelst ein binäres logistisches Regressionsmodell zur Vorhersage von Kreditausfällen. Nutze den bereitgestellte…
- Logistic Regression
- Credit Risk Modeling
- Feature Selection
Fachübergreifend - CodeEinsteigerNeu
Hyperparameter-Sweep auf einem Slurm-Cluster für eine Versicherung
Du erhältst ein bestehendes Trainings-Skript für ein Gradient-Boosting-Tarif-Modell (auf anonymisierten Schaden-Daten mit 2,4 Millionen Zeilen) und Zugang zu einem Slurm-Cluster…
- Hyperparameter Tuning
- Distributed Computing
- Mlflow
Machine Learning at Scale - CodeEinsteigerNeu
Datengetriebene Verschleißprognose für eine Stanzpresse
Du erhältst sechs Monate hochfrequente Sensordaten (Vibration mit 5 kHz, Strom und Temperatur mit 1 Hz) für drei vergleichbare Pressen, plus die dokumentierten Werkzeugwechsel a…
- Time Series Modeling
- Feature Engineering
- Signal Processing
Fachübergreifend - CodeEinsteigerNeu
Kernel-SVM-Baseline für die Qualitätskontrolle in der Halbleiterfertigung
Du erhältst einen anonymisierten Wafer-Messwert-Datensatz (rund 90.000 Wafer mit 140 Messpunkten und einem binären Qualitäts-Label aus der End-of-Line-Prüfung). Trainiere eine K…
- Statistical Learning
- Kernel Methods
- Svm
Statistical Machine Learning - CodeMittelstufeNeu
Daten-Pipeline für Streaming-Features bei einem Wiener Online-Händler
Du erhältst eine Beispiel-Topologie (Browse-, Cart-, Order-Events als Kafka-Topics mit jeweils rund 8.000 Events/s in Spitzen), das aktuelle Batch-Feature-Schema (12 Aggregat-Fe…
- Streaming
- Apache Kafka
- Apache Spark
Fachübergreifend - CodeEinsteigerNeu
Ensemble-Strategie für Betrugserkennung in einem Frankfurter Fintech
Du erhältst einen anonymisierten Datensatz mit 800.000 historischen Rechnungstransaktionen plus 4.200 bestätigten Betrugsfällen über 18 Monate. Implementiere drei Basis-Lerner (…
- Ensemble Methods
- Stacking
- Gradient Boosting
Advanced Machine Learning - CodeMittelstufeNeu
Empfehlungssystem für ein Düsseldorfer FMCG-Onlineportal entwickeln
Sie erhalten zwei Jahre Bestellhistorie (anonymisiert) plus Produktstammdaten und Kategorien. Bauen Sie ein Empfehlungssystem als Kombination aus implizitem Matrixfaktorisierung…
- Recommendation Systems
- Matrix Factorization
- Model Evaluation
Applied Machine Learning - CodeMittelstufeNeu
Anomalie-Erkennung für Produktions-Sensordaten in einem Maschinenbau-KMU
Sie erhalten 18 Monate Sensordaten (10 Hz pro Sensor, 14 Sensoren, drei Anlagen) und ein Wartungs-Protokoll mit 12 dokumentierten Ausfällen plus 47 geplanten Wartungen. Bereiten…
- Unsupervised Learning
- Time Series
- Feature Engineering
Machine Learning (CS Elective) - ResearchMittelstufeNeu
Regularisierungs-Studie für ein kleines medizinisches Trainings-Set
Du erhältst den 4.500-EKG-Datensatz (anonymisiert, ohne klinische Identifikatoren) sowie eine bestehende CNN-1D-Baseline. Definiere ein Regularisierungs-Faktorgitter (Dropout, W…
- Regularization
- Deep Learning
- Cross Validation
Fachübergreifend - AnalysisEinsteigerNeu
Kreditrisiko-Scoring fuer einen regionalen Kreditgeber
Du erhaeltst eine CSV mit 35 000 abgeschlossenen Kreditfaellen aus 2018-2024: Antragsmerkmale (Alter, Beschaeftigungsdauer, beantragte Hoehe, Laufzeit, Zweck), externe Bonitaets…
- Supervised Learning
- Model Evaluation
- Feature Engineering
Machine Learning (Undergraduate) - 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
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.



















































































