Übersicht
Worum es bei diesem Projekt geht.
Sie erhalten drei Jahre historischer Stundenpreise, Wind- und Solar-Einspeise-Forecasts, Last-Forecasts und Gas-Spotpreise (alles öffentlich zugängliche Daten). Bauen Sie drei Modelle: (1) saisonale Naive-Baseline, (2) Gradient Boosting (LightGBM) mit Feature-Engineering, (3) eine neuronale Variante (TFT oder ein einfaches LSTM). Werten Sie mit rollendem Origin-Forecast über die letzten 90 Tage aus (MAE, RMSE, MAPE), und zerlegen Sie den Fehler nach Stunde des Tages und Wochentag. Erfolgskriterium: Modell 2 schlägt die Baseline um mindestens 15 % MAE, und Sie können erklären, welche Features den Unterschied machen.
Das Briefing
Was Du tust und was Du zeigst.
Welchen Anteil der Prognosefehler eines saisonalen Baseline-Modells für den deutschen Day-Ahead-Strompreis kann ein modernes ML-Modell mit gut gewählten Features schlagen?
Earning criteria — what you'll demonstrate
- Eine vollständige Zeitreihen-Prognosepipeline mit Walk-Forward-Validierung aufsetzen
- Feature-Engineering für Energiemärkte (Saisonalität, Erneuerbaren-Forecast-Lücken) praktisch umsetzen
- Drei Modellklassen fair vergleichen, ohne Apples-to-Oranges-Fehler
- Quantitative Ergebnisse als handlungsreife Empfehlung formulieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Scientist:in
Eine vollständige Forecasting-Studie mit Baseline, Modellvergleich, Backtesting und Memo ist das Standardartefakt, das Junior-Data-Scientists in ihrer ersten Projektphase liefern.
Dieses Projekt schärft
- time-series-forecasting
- feature-engineering
- model-evaluation
Angewandte:r KI-Wissenschaftler:in
Das Zerlegen von Modellfehlern, ökonomisches Feature-Engineering und das Schreiben einer Handlungsempfehlung schult genau das Profil, das Applied AI Scientists in Quant-Teams brauchen.
Dieses Projekt schärft
- backtesting
- lightgbm
- feature-engineering
Machine-Learning-Ingenieur:in
Wer eine Forecasting-Pipeline reproduzierbar in einem Repo bündelt, übt das Engineering-Handwerk, das ML-Engineers später für Produktivdeployments brauchen.
Dieses Projekt schärft
- pytorch
- lightgbm
- model-evaluation
Noch eine Sache