Kernel-Methoden für seltene Maschinenfehler im Maschinenbau
Übersicht
Worum es bei diesem Projekt geht.
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 RBF-Kernel, einen Gaußprozess-Klassifikator mit angepasstem Kernel (z. B. Komposition aus Periodisch + RBF) und Isolation Forest als Baseline. Bewerte mit Precision-at-K (K = 100 Top-Verdachtsfenster pro Tag), AUROC und Kalibrierung. Liefere ein Engineering-Memo, das die Methodenauswahl begründet und einen interpretierbaren Risikoscore für die Service-App vorschlägt.
Das Briefing
Was Du tust und was Du zeigst.
Liefere einen kernelbasierten, kalibrierten Anomaliescore für Maschinenfehler-Vorhersage, der gegen Isolation Forest gewinnt und für Service-Techniker interpretierbar ist.
Earning criteria — what you'll demonstrate
- Kernel-Methoden konzeptionell verstehen (Mercer-Theorem, Kernel-Komposition) und auf reale Signale anwenden
- Gaußprozesse mit nicht-trivialen Kerneln für strukturierte Daten konfigurieren
- Anomalieerkennung mit Precision-at-K und kalibriertem Risiko bewerten
- Methodenauswahl gegenüber Engineering-Stakeholdern interpretierbar begründen
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 RollenMachine Learning Engineer
Kernelmethoden produktionsnah einzusetzen, gegen Baselines zu vergleichen und interpretierbar zu erklären ist die tägliche Arbeit von ML Engineers in industriellen Mittelständlern.
Dieses Projekt schärft
- kernel-methods
- anomaly-detection
- scikit-learn
Data Scientist
Saubere Feature-Engineering-Disziplin plus Kalibrierungs-Sorgfalt sind genau die Fähigkeiten, die Data Scientists in industriellen Analytics-Teams brauchen.
Dieses Projekt schärft
- feature-engineering
- calibration-evaluation
- anomaly-detection
Applied AI Scientist
Gaußprozesse mit konstruierter Kernel-Komposition auf reale industrielle Daten anzuwenden ist Kerngebiet angewandter KI-Wissenschaftler in der Industrie.
Dieses Projekt schärft
- gaussian-processes
- kernel-methods
- feature-engineering
Noch eine Sache