Regularisierungs-Studie für ein kleines medizinisches Trainings-Set
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst den 4.500-EKG-Datensatz (anonymisiert, ohne klinische Identifikatoren) sowie eine bestehende CNN-1D-Baseline. Definiere ein Regularisierungs-Faktorgitter (Dropout, Weight Decay, Mixup-α, Label Smoothing, Early-Stopping-Patience), führe einen 5-fach-Cross-Validation-Sweep durch und berichte Macro-F1 + Konfidenz pro Konfiguration. Liefere eine 4-seitige Studie mit Empfehlung der besten Kombination und einer Diskussion, warum sie für genau dieses Setup funktioniert.
Das Briefing
Was Du tust und was Du zeigst.
Welche Regularisierungs-Kombination liefert auf einem kleinen medizinischen Trainings-Set die beste Generalisierung — und ist das Ergebnis stabil über die Cross-Validation-Folds?
Earning criteria — what you'll demonstrate
- Regularisierungs-Methoden (Dropout, Weight Decay, Mixup, Label Smoothing) systematisch vergleichen
- Cross-Validation für kleine Datensätze korrekt aufsetzen
- Experiment-Tracking für reproduzierbare Sweeps nutzen
- Ergebnis-Stabilität (über Folds) ehrlich diskutieren, nicht nur Mittel-Punkte
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 RollenML Researcher
Systematische Regularisierungs-Studien auf kleinen Datensätzen sind ein klassisches Forschungs-Thema — die Challenge produziert genau diesen Nachweis.
Dieses Projekt schärft
- regularization
- deep-learning
- experiment-design
Applied AI Scientist
Kleine medizinische Datensätze produktiv zu machen ist eine zentrale Disziplin angewandter KI-Wissenschaftler:innen in Medizintechnik-Startups.
Dieses Projekt schärft
- small-data-modeling
- regularization
- experiment-design
Research Scientist
Ergebnis-Stabilität über Folds zu diskutieren statt nur Mittelpunkte zu berichten ist die Disziplin, die wissenschaftliche Rollen von angewandten unterscheidet.
Dieses Projekt schärft
- cross-validation
- regularization
- experiment-design
Noch eine Sache