KI & Daten
Statistik & Data-Science-Methoden Challenges
Statistik & Data-Science-Methoden-Challenges versetzen dich mitten in die Arbeit, aus Daten belastbare Schlüsse zu ziehen. Du baust Statistik-Grundlagen und Statistische Analyse auf, führst Explorative Datenanalyse, Hypothesentests, Konfidenzintervalle und Lineare Regression durch und gestaltest saubere Stichprobenmethoden.
Von dort meisterst du die kniffligeren Themen — Bayessche Methoden, Kausale Inferenz, A/B-Testing mit statistischer Signifikanz, Monte-Carlo-Simulation und Unsicherheitsquantifizierung — und wendest Versuchsdesign an, wie Data Scientists es wirklich tun. Jede gelöste Challenge bringt dir einen verifizierten Nachweis für Recruiter.
Empfohlene Industrieprojekte
· Zeitreihen-Grundlagen Zurücksetzen- Alle
- Simulation
- Datenanalyse
- Versuchsdesign
- Zeitreihen-Grundlagen
- Kostenmodellierung
- A/B-Testing mit statistischer Signifikanz
- Hypothesentests
- Monte-Carlo-Simulation
- Statistische Analyse
- Logistische Regression
- Unsicherheitsquantifizierung
- Explorative Datenanalyse
- Kausale Inferenz
- Konfidenzintervalle
- Lineare Regression
- Stichprobenmethoden
- 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…
- Anomalie Erkennung
- Zeitreihen Grundlagen
- Isolation Forest
Data Mining and Information Retrieval - 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…
- Zeitreihen Grundlagen
- Anomalie Erkennung
- Signal Decomposition
Time Series Analysis and Forecasting - CodeMittelstufeNeu
Sequenzmodell fuer Sturzerkennung in einem Pflegeheim
Du erhaeltst rund 12 000 markierte Sequenzen (10 Sekunden, dreiachsig, 50 Hz) aus den Wearables — etwa 5 Prozent davon sind echte Sturz-Ereignisse, der Rest sind Alltagsbewegung…
- Sequence Models
- Zeitreihen Grundlagen
- Deep Learning
Machine Perception - 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
- Zeitreihen Grundlagen
- Feature Engineering
Machine Learning (Undergraduate) 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
- CodeMittelstufeNeu
Change-Point-Detektion in Transaktions-Daten einer Frankfurter Bank
Du erhältst einen anonymisierten Datensatz von rund 12.000 Geschäfts-Kund:innen mit 24 Monaten täglicher Transaktions-Aggregat-Statistik (Anzahl, Volumen, Durchschnitt, Standard…
- Zeitreihen Grundlagen
- Change Point Detection
- Anomalie Erkennung
Time Series Analysis and Forecasting - CodeMittelstufeNeu
Gaussian Process fuer Solarprognose im Schwarzwald kalibrieren
Du erhaeltst 2 Jahre stuendlicher Erzeugungsdaten je Anlage plus DWD-Wettervorhersage-Features (Globalstrahlung, Temperatur, Bewoelkung, Stunde, Wochentag). Definiere fuer jede …
- Gaussian Processes
- Bayesian Inference
- Unsicherheitsquantifizierung
Probabilistic Machine Learning - 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…
- Zeitreihen Grundlagen
- Hierarchical Forecasting
- Demand Forecasting
Time Series Analysis and Forecasting - CodeEinsteigerNeu
Spektral-Analyse für Schwingungs-Daten in einer Aargauer Pumpenfabrik
Du erhältst Schwingungs-Aufzeichnungen von 1.200 Prüfläufen (jeweils 30 Minuten mit 25 kHz Abtastrate) plus ein Label vom Prüf-Team (in Ordnung, Unwucht, Lager-Schaden, Kavitati…
- Zeitreihen Grundlagen
- Spectral Analysis
- Signal Processing
Time Series Analysis and Forecasting - 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
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
- Zeitreihen Grundlagen
- Feature Engineering
Machine Learning (CS Elective) - CodeSeniorNeu
Dynamic Bayesian Network fuer Predictive Maintenance auf der Schwaebischen Alb
Du erhaeltst 18 Monate Telemetrie von 60 Maschinen eines Typs plus historische Wartungs- und Stoerungsmeldungen. Definiere ein DBN mit latentem Verschleisszustand (3-4 diskrete …
- Dynamic Bayesian Networks
- Em Algorithm
- Kalman Filtering
Probabilistic Graphical Models - 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
- Anomalie Erkennung
- Zeitreihen Grundlagen
Deep Learning - CodeMittelstufeNeu
Bayessche Nachfrageprognose für einen schweizer FMCG-Hersteller
Du erhältst drei Jahre wöchentlicher Verkaufsdaten für 120 Stock-Keeping-Units (SKUs — Lagerhaltungseinheiten) über 8 Vertriebsregionen plus eine Tabelle der historischen Promot…
- Bayesian Inference
- Probabilistic Modeling
- Zeitreihen Grundlagen
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
- CodeEinsteigerNeu
LoRaWAN-Sensornetz für die Wasserqualität in einer Hamburger Smart-City-Initiative
Sie erhalten den Pilot-Standort-Plan (6 Sensoren an Alster + Hafenbecken), die zu messenden Parameter (Temperatur, pH, gelöster Sauerstoff, Trübung), das Datenschutz-Briefing un…
- Iot Protocols
- Sensor Networks
- Mqtt
Internet of Things and Cyber-Physical Systems - CodeMittelstufeNeu
Day-Ahead-Lastprognose für einen Hamburger Stromversorger
Du erhältst 3 Jahre stündlicher Last-Daten (rund 26.000 Stunden) für eine Bilanzgruppe sowie historische Wetter-Daten (Temperatur, Bewölkung, Windgeschwindigkeit) aus drei Wette…
- Zeitreihen Grundlagen
- Forecasting
- Sarima
Time Series Analysis and Forecasting - CodeMittelstufeNeu
Anomalie-Erkennung in Industriesensoren für vorausschauende Wartung
Du erhältst Sensordaten (10 Hz Abtastrate, 40 Maschinen, 12 Monate) und ein Label-Set mit 38 bestätigten Wartungsfällen aus den letzten 12 Monaten. Verwende Isolation Forest und…
- Anomalie Erkennung
- Isolation Forest
- Autoencoder
Data Mining and Knowledge Discovery - ResearchMittelstufeNeu
Modellselektion fuer einen Photovoltaik-Anlagenbauer
Du erhaeltst 18 Monate halbstuendliche Daten von rund 120 Anlagen: meteorologische Vorhersage, historische Ertraege, Anlagenkonfiguration, Saison. Implementiere die drei Kandida…
- Model Selection
- Kreuzvalidierung
- Regression
Machine Learning
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.
Branchenteams 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.