GAN für synthetische Trainingsdaten in der Defekterkennung
Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein GAN auf Microcrack-Defekten, generiere 500 synthetische Bilder und verbessere den Detektor. Du erhältst ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Belege, ob synthetische GAN-/Diffusion-generierte Defekte die Detektor-Performance auf seltenen Leiterplatten-Defekten messbar verbessern.
Earning criteria — what you'll demonstrate
- GANs / bedingte Diffusion als Generative-AI-Strategie für synthetische Daten anwenden
- Synthetische Daten so evaluieren, dass Verbesserungen statistisch belastbar sind
- Mode-Collapse und Overfitting bei kleinen Trainings-Sets erkennen
- Daten-Augmentations-Strategien für industrielle QS aufzeigen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Generative AI
Master · Ai Ml
Fit score: 1
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 RollenML-Forscher:in
Synthetische-Daten-Studien mit GANs/Diffusion sind ein laufendes Forschungsthema; eine industriell motivierte Studie ist starkes Portfolio-Material.
Dieses Projekt schärft
- gans
- synthetic-data
- generative-models
Computer-Vision-Ingenieur:in
Defekterkennung mit Data-Augmentation für seltene Klassen ist genau die Arbeit, die Computer-Vision-Ingenieurinnen in Elektronik-Fertigung übernehmen.
Dieses Projekt schärft
- pytorch
- data-augmentation
- evaluation
Forschungswissenschaftler:in
Saubere Eval-Methodik mit Seed-Mittelung und ehrlicher Limitations-Diskussion ist Pflichtkompetenz für Junior-Forschungswissenschaftlerinnen in industriellen KI-Laboren.
Dieses Projekt schärft
- evaluation
- generative-models
- synthetic-data
Noch eine Sache