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.
Empfohlene Industrieprojekte
· Feature Engineering Zurücksetzen- CodeEinsteigerNeu
Churn-Frühwarnsystem für ein Frankfurter B2B-SaaS aufbauen
Sie bekommen sechs Monate anonymisierte Daten: tägliche Login-Frequenz pro Konto, Feature-Nutzung, Support-Tickets mit Severity-Label und die Liste der historischen Kündigungen.…
- Feature Engineering
- Predictive Modeling
- Model Evaluation
Fachübergreifend - 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) - 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 - CodeMittelstufeNeu
Bedarfs-Prognose für die Lager-Logistik eines Wiener FMCG-Distributors
Du erhältst 3 Jahre Wochen-Verkaufs-Daten für rund 1.200 SKUs in 4 Lagern (rund 250.000 SKU-Lager-Wochen-Kombinationen) plus eine Promotion-Liste pro SKU und Woche. Implementier…
- Time Series
- Hierarchical Forecasting
- Demand Forecasting
Time Series Analysis and Forecasting 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
- CodeEinsteigerNeu
Kreditausfall-Scoring für ein Berliner KMU-Fintech
Du arbeitest mit einem anonymisierten Datensatz aus 24.000 historischen Kreditanträgen mit dem Zielmerkmal 'Default innerhalb von 12 Monaten'. Trainiere ein Klassifikationsmodel…
- Classification
- Xgboost
- Shap
AI and Quantitative Finance - 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
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 - 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 - 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.
- 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 - 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 - 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 - AnalysisEinsteigerNeu
Predictive Maintenance fuer einen Mittelstandsmaschinenbauer
Du erhaeltst rund 12 Millionen Sensorzeilen (Zeitstempel + Vibrations-RMS + Stromstaerke + Spindeltemperatur) plus eine zweite CSV mit den letzten 90 dokumentierten Spindelausfa…
- Supervised Learning
- Time Series
- Feature Engineering
Machine Learning (Undergraduate) 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
Frequent-Pattern-Mining auf Clickstream-Daten eines AdTech-Anbieters
Du erhältst Bid-Logs (anonymisiert, ohne PII — personenbezogene Daten) als Parquet-Dateien (rund 600 GB) und einen Conversion-Join-Datensatz. Definiere Items sinnvoll (Domain-Ha…
- Frequent Pattern Mining
- Fp Growth
- Pyspark
Data Mining and Information Retrieval - 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 - 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 - 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
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
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 - 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 - 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 - 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 - ResearchMittelstufeNeu
Multi-Task-Learning fuer einen E-Commerce-Recommender
Du erhaeltst 18 Monate Web-Telemetrie-Daten (rund 4,2 Millionen Sessions) mit Labels fuer alle drei Aufgaben. Implementiere zwei Architekturen: (1) drei separate XGBoost-Modelle…
- Multi Task Learning
- Neural Networks
- Model Evaluation
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 - AnalysisEinsteigerNeu
Kreditrisikomodell für ein regional verwurzeltes Fintech
Sie agieren als Risk Analyst und entwickeln ein prädiktives Kreditrisikomodell (Probability of Default, PD — Ausfallwahrscheinlichkeit) für das Fintech. Ihr Auftrag umfasst: (1)…
- Predictive Analytics
- Statistical Modeling
- Risk Assessment
Business Analytics
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.



















































































