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.
- 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 - 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 - 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 - 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 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
Betrugsrisiko-Scoring für B2B-Zahlungsplattform
Du trittst als Data Science Consultant (datenwissenschaftliche:r Berater:in) in einem 2er-Team auf und hast 4 Wochen Zeit. Du entwickelst ein binäres Klassifikationsmodell für B…
- Machine Learning
- Imbalanced Data
- Model Interpretability
Fachübergreifend - CodeEinsteigerNeu
Empfehlungs-System für eine Wiener E-Commerce-Bekleidungsmarke
Sie erhalten 18 Monate Transaktionsdaten (220.000 Kund:innen × 4.800 Produkte), Produktstammdaten (Kategorie, Farbe, Material, Preis) und 50 Sample-Konversions-Sessions. Bauen S…
- Recommender Systems
- Collaborative Filtering
- Python
Machine Learning (CS Elective) - CodeMittelstufeNeu
Spielbaum-KI mit Lern-Heuristik für ein Brettspiel-Studio
Du erhältst eine Implementierung der Spielmechanik plus 5.000 archivierte Spielpartien aus Beta-Tests mit menschlichen Spielern. Implementiere eine Minimax-Engine mit Alpha-Beta…
- Minimax Algorithm
- Alpha Beta Pruning
- Feature Engineering
Fachübergreifend - CodeMittelstufeNeu
Predictive Maintenance für CNC-Maschinen auf der Schwäbischen Alb
Sie erhalten Vibrations-, Temperatur- und Lastsensorwerte (1-Hz-Auflösung) plus die historischen Wartungseinsätze als Label. Konstruieren Sie Zeitreihen-Features (rollende Mitte…
- Feature Engineering
- Time Series Analysis
- Classification
Applied Machine Learning - 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.
- CodeEinsteigerNeu
Kunden-Abwanderungs-Vorhersage für ein Münchner SaaS-Unternehmen
Sie erhalten anonymisierte Daten von 1.400 Kunden über 24 Monate: Login-Frequenz, Feature-Nutzung pro Modul, Support-Tickets, Stripe-Zahlungs-Verzögerungen, Kontaktwechsel im CR…
- Supervised Learning
- Feature Engineering
- Model Evaluation
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
Regularisierung gegen Overfitting bei einem Modeunternehmen
Du erhaeltst 6 Saisons Verkaufsdaten (rund 19 200 SKU-Saison-Beobachtungen) plus Artikelmerkmale (Kategorie, Preisband, Kollektion). Implementiere eine lineare Regression mit dr…
- Regularization
- Regression
- Model Selection
Machine Learning - CodeMittelstufeNeu
Anomalie-Erkennung in Sensor-Daten einer süddeutschen Windparks
Du erhältst 18 Monate 10-minütiger SCADA-Daten von 80 Turbinen (Vibration, Drehzahl, Drehmoment, Außen-Temperatur, Leistung) und ein Wartungs-Log mit 35 bestätigten Schadens-Ere…
- Time Series
- Anomaly Detection
- Signal Decomposition
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
- 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
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
Empfehlungsbasislinie fuer einen Nischen-Online-Shop
Du erhaeltst eine anonymisierte Bestellhistorie (Bestellnummer, Datum, Kunden-ID, Artikel-IDs) sowie einen Produktkatalog (Artikel-ID, Kategorie, Preis). Implementiere zwei Empf…
- Recommender Systems
- Matrix Factorization
- Model Evaluation
Machine Learning (Undergraduate) - AnalysisEinsteigerNeu
Kundensegmentierung für einen Lebensmittel-Discounter clusteranalysieren
Du erhältst einen anonymisierten Loyalty-Datensatz (Käufe + grobe Demografie + Filial-Region) über 6 Monate. Erstelle ein RFM-Feature-Set (Recency, Frequency, Monetary — Aktuali…
- Clustering
- Feature Engineering
- Rfm Analysis
Fachübergreifend - 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) - CodeEinsteigerNeu
Association-Rules für Warenkorb-Empfehlungen im Online-Großhandel
Du erhältst 18 Monate Bestellungen (rund 4 Mio. Zeilen) und einen Produktkatalog mit Hierarchie (Warengruppe → Kategorie → Artikel). Implementiere Apriori oder FP-Growth (mlxten…
- Association Rules
- Apriori
- Fp Growth
Fachübergreifend - CodeEinsteigerNeu
Vorhersagemodell für Ausfallzeiten in der Windenergie-Offshore-Wartung
Du bist als Data Science Consultant (Berater:in für Datenwissenschaft) für dieses Projekt eingesetzt. Du erhältst einen synthetischen Datensatz mit 18 Monaten Betriebsdaten (Vib…
- Machine Learning
- Predictive Modeling
- Python
Machine Learning and AI for Business - CodeMittelstufeNeu
LSTM-Modell für Vibrations-Anomalien an einer Druckguss-Anlage
Du erhältst 8 Monate Vibrations-Sequenzen (10-kHz-Abtastung, 8 Maschinen) plus 22 bestätigte Wartungsfälle. Aggregiere auf Sekunden-Fenster (Mittelwert, Std, FFT-Hauptfrequenzen…
- Lstm Architectures
- Anomaly Detection
- Time Series
Fachübergreifend - 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 - 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 - 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 - 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
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.



















































































