Übersicht
Worum es bei diesem Projekt geht.
Optimiere Hyperparameter mit verschachtelter Kreuzvalidierung für Photovoltaik-Prognosen und erhalte dein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wahle das produktionsreife Prognosemodell mit ehrlicher Schaetzung des Out-of-Sample-Fehlers.
Earning criteria — what you'll demonstrate
- Verschachtelte Kreuzvalidierung als Standard fuer ehrliche Modellselektion anwenden
- Den Unterschied zwischen Tuning-Fehler und Out-of-Sample-Fehler verinnerlichen
- Restfehleranalyse als Diagnoseinstrument einsetzen
- Ein Geschaeftsergebnis (Day-Ahead-Erlos) explizit aus dem Modellfehler herleiten
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Learning
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 RollenData Scientist
Eine saubere Modellselektion mit verschachtelter Kreuzvalidierung statt Bauchgefuehl ist die Senior-Disziplin, die Energieversorger und Asset-Manager taeglich brauchen.
Dieses Projekt schärft
- model-selection
- cross-validation
- regression
ML Researcher
Ehrliche Out-of-Sample-Schaetzung und Restfehleranalyse sind methodische Standards, die Junior-ML-Researcher fuer ihre ersten internen Studien lernen muessen.
Dieses Projekt schärft
- model-selection
- cross-validation
- time-series
Machine Learning Engineer
Den ausgewaehlten Kandidaten produktionsreif zu uebergeben ist der naechste logische Schritt fuer eine:n ML-Engineer:in im Energiemarkt.
Dieses Projekt schärft
- xgboost
- python
- model-selection
Noch eine Sache