Übersicht
Worum es bei diesem Projekt geht.
Du arbeitest mit einem anonymisierten Datensatz aus 24.000 historischen Kreditanträgen mit dem Zielmerkmal 'Default innerhalb von 12 Monaten'. Trainiere ein Klassifikationsmodell (Logistische Regression als Baseline, XGBoost als Hauptmodell) und optimiere für AUC-PR (Area Under the Precision-Recall Curve — Fläche unter der Precision-Recall-Kurve, robuster Metrik bei unausgeglichenen Klassen). Erstelle SHAP-Werte (SHapley Additive exPlanations — modellagnostische Beitragswerte je Merkmal) für die zehn wichtigsten Treiber. Liefere eine Fairness-Analyse für die Untergruppen 'Unternehmensgröße' und 'Branche', sowie einen Modellsteckbrief (Model Card) im Stil der Branche.
Das Briefing
Was Du tust und was Du zeigst.
Wie lässt sich ein Kreditrisiko-Scoringmodell bauen, das die manuelle Bearbeitungszeit halbiert, regulatorisch nachvollziehbar ist und keine Untergruppe systematisch benachteiligt?
Earning criteria — what you'll demonstrate
- Ein Klassifikationsmodell auf einem realistisch unausgeglichenen Finanzdatensatz robust trainieren
- Modellinterpretierbarkeit mit SHAP-Werten für eine regulierte Branche aufbereiten
- Fairness-Metriken methodisch korrekt berechnen und einordnen
- Ein produktreifes Modell mit einer aussagekräftigen Model Card dokumentieren
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
Die Kombination aus Klassifikationsmodell, Erklärbarkeit und Fairness-Analyse spiegelt direkt das Tagesgeschäft eines Data Scientists in Risk Analytics bei einer Bank, einem Fintech oder einer Versicherung wider.
Dieses Projekt schärft
- classification
- xgboost
- shap
Machine Learning Engineer
Ein Machine Learning Engineer in einem regulierten Umfeld muss Modelle nicht nur trainieren, sondern auch fair, dokumentiert und reproduzierbar ausliefern — exakt die Anforderungen dieser Challenge.
Dieses Projekt schärft
- feature-engineering
- python
- model-documentation
AI Engineer
AI Engineers verantworten oft die Schnittstelle zwischen Modell, Compliance und Produkt; die geforderte Model Card und das Fairness-Reporting sind klassische Artefakte dieser Rolle.
Dieses Projekt schärft
- model-documentation
- model-fairness
- shap
Noch eine Sache