MLP-Baseline für Strompreis-Prognose in einem Stadtwerk
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst 3 Jahre Spotpreis-Daten plus exogene Variablen (Last, Wind, Solar, Brennstoffpreise). Implementiere eine MLP-Prognose (Input: 168 Stunden Historie + exogene Features, Output: nächste 24 Stunden) mit sauberer Standardisierung und einer rolling-Window-Evaluation. Vergleiche RMSE, MAE und 90 %-Coverage gegen die SARIMA-Baseline und eine naive 'gestern'-Baseline. Liefere einen 3-seitigen Bericht mit klarer Aussage: 'Lohnt sich Deep Learning hier?' — inklusive Implementierungsaufwand und Wartungskosten.
Das Briefing
Was Du tust und was Du zeigst.
Schlägt eine MLP-Prognose die SARIMA-Baseline auf Day-Ahead-Spotpreisen so deutlich, dass der Implementierungs- und Wartungsaufwand gerechtfertigt ist?
Earning criteria — what you'll demonstrate
- MLP-Architekturen als Baseline für Tabellen-/Zeitreihen-Probleme verstehen
- Rolling-Window-Evaluation für Zeitreihen sauber durchführen
- Gegen starke klassische Baselines (SARIMA, naiv) fair benchen
- Eine ehrliche Go/No-Go-Empfehlung gegen Deep-Learning-Hype 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
Deep-Learning-Baseline gegen klassische Methoden ehrlich zu benchen ist eine Disziplin, die Junior-Data-Scientists oft fehlt — die Challenge übt genau diese Reife.
Dieses Projekt schärft
- mlp-architectures
- time-series-forecasting
- baseline-comparison
Machine Learning Engineer
Rolling-Window-Evaluation und Standardisierungs-Disziplin sind tägliche ML-Engineering-Praktiken in produktiven Forecasting-Pipelines.
Dieses Projekt schärft
- pytorch
- feature-engineering
- model-evaluation
Applied AI Scientist
Go/No-Go-Empfehlungen mit Wartungs-Realität zu treffen, ist das, was angewandte KI-Wissenschaftler:innen gegen die Hype-Versuchung schützt.
Dieses Projekt schärft
- baseline-comparison
- model-evaluation
- time-series-forecasting
Noch eine Sache