Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein neuronales Preismodell und steuere eine Batterie per modellbasiertem RL. Vergleiche die Erträge und erhalte ein verifizierbares Zertifikat.
Das Szenario
Das Startup (rund 25 Mitarbeitende, Serie A, von Hamburg aus operierend) verwaltet ca. 120 MWh installierte Batterie-Kapazität; jeder Prozent zusätzlicher Marge auf Speicher-Arbitrage skaliert direkt mit der Ausbau-Pipeline.
Das Briefing
Was Du tust und was Du zeigst.
Schlage die regelbasierte Heuristik der Batterie-Speichersteuerung mit einem modellbasierten RL-Ansatz auf historischen Marktdaten ohne Risikoeskalation.
Earning criteria — what you'll demonstrate
- Ein neuronales Übergangsmodell als RL-Welt-Modell trainieren und auswerten
- Model-Predictive Control oder Dyna-Style Planung über ein gelerntes Modell umsetzen
- Backtesting mit ehrlicher Behandlung von Modell-Drift und Worst-Case-Szenarien
- RL-Ergebnisse so dokumentieren, dass ein Handels-Team sie verantworten kann
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Studienzuordnung folgt in Kürze.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Model Based Rl
Apply model based rl to solve real industry problems and demonstrate production-level capability.
- Reinforcement Learning
Apply reinforcement learning to solve real industry problems and demonstrate production-level capability.
- Time Series Forecasting
Apply time series forecasting to solve real industry problems and demonstrate production-level capability.
- Pytorch
Apply pytorch to solve real industry problems and demonstrate production-level capability.
- Optimization
Apply optimization to solve real industry problems and demonstrate production-level capability.
- Evaluation
Apply evaluation to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
ML-Ingenieur:in
Ein gelerntes Modell + Planung in eine reproduzierbare Pipeline für ein Handelsteam zu bringen ist genau die Arbeit, mit der ML-Ingenieurinnen in Energie-Startups Verantwortung übernehmen.
Dieses Projekt schärft
- pytorch
- time-series-forecasting
- evaluation
Angewandte:r KI-Wissenschaftler:in
Modellbasiertes RL mit ehrlicher Risiko-Diskussion auf historischen Marktdaten zu liefern entspricht dem Erstprojekt angewandter KI-Wissenschaftlerinnen im Energiesektor.
Dieses Projekt schärft
- model-based-rl
- reinforcement-learning
- optimization
Data Scientist
Saubere Backtest-Methodik mit Drawdown-Reporting und Drift-Analyse ist Pflichtkompetenz für Data Scientists, die in Quant-Teams am Strommarkt arbeiten.
Dieses Projekt schärft
- time-series-forecasting
- evaluation
- optimization
Noch eine Sache