Simulationsbasierte Bayes'sche Inferenz für Sensor-Kalibrierung
Übersicht
Worum es bei diesem Projekt geht.
Du arbeitest mit einem öffentlich dokumentierten nicht-linearen Sensormodell mit fünf Parametern, das du aus einem bestehenden Simulator beziehen kannst. Generiere mit dem Simulator ein Trainingsset von 50.000 Parameter-Messreihen-Paaren. Trainiere ein Neural-Posterior-Estimation-Modell mit der `sbi`-Bibliothek (Posteriori-Schätzung via Normalizing Flows — invertierbare neuronale Transformationen). Validiere mit Posterior-Predictive-Checks und Coverage-Tests. Liefere eine quantitative Aussage, wie gut die Posteriori-Bänder der echten Unsicherheit entsprechen.
Das Briefing
Was Du tust und was Du zeigst.
Wie zuverlässig liefert simulationsbasierte Bayes'sche Inferenz die Posteriori-Verteilung der Sensorparameter, und reichen die Unsicherheitsbänder für eine Werks-Kalibrierung aus?
Earning criteria — what you'll demonstrate
- Bayes'sche Inferenz auf simulationsbasierte Probleme mit Normalizing Flows anwenden
- Posterior-Coverage und Predictive-Checks als zentrale Validierungswerkzeuge nutzen
- Trade-Off zwischen Trainingszeit, Inferenzzeit und Posterior-Treue ehrlich darstellen
- Ergebnisse einer probabilistischen Methode für ein nicht-probabilistisches Publikum (Fertigung) übersetzen
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.
ML Researcher
Simulation-Based Inference ist ein modernes Forschungsfeld; die Challenge übt die zentralen Praktiken: Posterior-Schätzung, Coverage-Tests und Diskussion der Limitierungen.
Dieses Projekt schärft
- simulation-based-inference
- normalizing-flows
- bayesian-inference
Applied AI Scientist
Applied AI Scientists in der Messtechnik übersetzen probabilistische Verfahren in produktionsreife Pipelines — exakt die Brücke, die hier von der Trainings-Pipeline bis zur Fertigungs-Empfehlung gespannt wird.
Dieses Projekt schärft
- uncertainty-quantification
- pytorch
- validation-design
Research Scientist
Bayes'sche Inferenz mit ehrlicher Coverage-Analyse und Vergleich gegen klassische Optimierungsverfahren ist klassische Research-Scientist-Arbeit in industriellen Forschungslaboren.
Dieses Projekt schärft
- bayesian-inference
- uncertainty-quantification
- validation-design
Noch eine Sache