Feature Engineering
Wenn Du gerne Feature Engineering anwendest, kannst Du das hier an realen Industrieprojekten üben.
- CodeMittelstufeNeu
Recommendation-System für einen DACH-E-Commerce-Marktplatz
Du erhältst anonymisierte Session-Daten (rund 18 Mio. Sessions, 6 Mio. unique User), Produktmetadaten und 90 Tage Conversion-Daten. Implementiere drei Modelle: (1) Item-kNN als …
- Recommendation Systems
- Collaborative Filtering
- Matrix Factorization
Fachübergreifend - CodeEinsteigerNeu
Association-Rules für Warenkorb-Empfehlungen im Online-Großhandel
Du erhältst 18 Monate Bestellungen (rund 4 Mio. Zeilen) und einen Produktkatalog mit Hierarchie (Warengruppe → Kategorie → Artikel). Implementiere Apriori oder FP-Growth (mlxten…
- Association Rules
- Apriori
- Fp Growth
Fachübergreifend - AnalysisEinsteigerNeu
Wearable-Sensorik-Analyse für eine Salzburger Health-Studie
Du erhältst anonymisierte Sensorzeitreihen von 40 Teilnehmer:innen über 2 Wochen, Stress-Diary-Einträge im 30-Minuten-Raster und eine Daten-Validierungs-Checkliste. Implementier…
- Health Informatics
- Time Series Analysis
- Feature Engineering
Fachübergreifend - CodeEinsteigerNeu
Kunden-Abwanderungs-Vorhersage für ein Münchner SaaS-Unternehmen
Sie erhalten anonymisierte Daten von 1.400 Kunden über 24 Monate: Login-Frequenz, Feature-Nutzung pro Modul, Support-Tickets, Stripe-Zahlungs-Verzögerungen, Kontaktwechsel im CR…
- Supervised Learning
- Feature Engineering
- Model Evaluation
Machine Learning (CS Elective) Practice your coursework on real scenarios.
Every challenge is shaped from real-world context — not generic exercises. The work mirrors what your degree prepares you for.
Why Ewance
- CodeMittelstufeNeu
Kernel-Methoden für seltene Maschinenfehler im Maschinenbau
Du erhältst 200.000 Sensorfenster (jeweils 2-Sekunden-Schwingungs-FFT plus akustisches Mel-Spektrogramm). Nur 1.200 sind als Defekte gelabelt. Implementiere One-Class-SVM mit RB…
- Kernel Methods
- Gaussian Processes
- Anomaly Detection
Advanced Machine Learning - CodeGrundlagenNeu
Lebensmittelverderb-Prognose fuer einen FMCG-Hersteller
Du erhaeltst eine CSV mit rund 18 000 ausgelieferten Paletten aus den letzten 18 Monaten: Produktart, Produktionscharge, Tag-Zeit-Stempel, Temperatur entlang der Lieferkette (3 …
- Supervised Learning
- Feature Engineering
- Model Evaluation
Fachübergreifend - CodeEinsteigerNeu
Empfehlungs-System für eine Wiener E-Commerce-Bekleidungsmarke
Sie erhalten 18 Monate Transaktionsdaten (220.000 Kund:innen × 4.800 Produkte), Produktstammdaten (Kategorie, Farbe, Material, Preis) und 50 Sample-Konversions-Sessions. Bauen S…
- Recommender Systems
- Collaborative Filtering
- Python
Machine Learning (CS Elective) - AnalysisEinsteigerNeu
Predictive Maintenance fuer einen Mittelstandsmaschinenbauer
Du erhaeltst rund 12 Millionen Sensorzeilen (Zeitstempel + Vibrations-RMS + Stromstaerke + Spindeltemperatur) plus eine zweite CSV mit den letzten 90 dokumentierten Spindelausfa…
- Supervised Learning
- Time Series
- Feature Engineering
Machine Learning (Undergraduate) - Browse challenges
Explore role
Product Manager
Ship product that solves real user problems. Combine user research, prototyping, and stakeholder alignment to turn ambiguous briefs into measurable wins — the role at the centre of modern software teams.
- ResearchMittelstufeNeu
Multi-Task-Learning fuer einen E-Commerce-Recommender
Du erhaeltst 18 Monate Web-Telemetrie-Daten (rund 4,2 Millionen Sessions) mit Labels fuer alle drei Aufgaben. Implementiere zwei Architekturen: (1) drei separate XGBoost-Modelle…
- Multi Task Learning
- Neural Networks
- Model Evaluation
Fachübergreifend - CodeEinsteigerNeu
MLP-Baseline für Strompreis-Prognose in einem Stadtwerk
Du erhältst 3 Jahre Spotpreis-Daten plus exogene Variablen (Last, Wind, Solar, Brennstoffpreise). Implementiere eine MLP-Prognose (Input: 168 Stunden Historie + exogene Features…
- Mlp Architectures
- Time Series Forecasting
- Pytorch
Fachübergreifend - CodeMittelstufeNeu
Bedarfs-Prognose für die Lager-Logistik eines Wiener FMCG-Distributors
Du erhältst 3 Jahre Wochen-Verkaufs-Daten für rund 1.200 SKUs in 4 Lagern (rund 250.000 SKU-Lager-Wochen-Kombinationen) plus eine Promotion-Liste pro SKU und Woche. Implementier…
- Time Series
- Hierarchical Forecasting
- Demand Forecasting
Time Series Analysis and Forecasting - CodeMittelstufeNeu
Empfehlungssystem für ein Düsseldorfer FMCG-Onlineportal entwickeln
Sie erhalten zwei Jahre Bestellhistorie (anonymisiert) plus Produktstammdaten und Kategorien. Bauen Sie ein Empfehlungssystem als Kombination aus implizitem Matrixfaktorisierung…
- Recommendation Systems
- Matrix Factorization
- Model Evaluation
Applied Machine Learning Build a verifiable portfolio.
Submissions become evidence. Reviewers with shipping experience score against a rubric; the result becomes a credential anyone can verify.
Why Ewance
- CodeEinsteigerNeu
Churn-Frühwarnsystem für ein Frankfurter B2B-SaaS aufbauen
Sie bekommen sechs Monate anonymisierte Daten: tägliche Login-Frequenz pro Konto, Feature-Nutzung, Support-Tickets mit Severity-Label und die Liste der historischen Kündigungen.…
- Feature Engineering
- Predictive Modeling
- Model Evaluation
Fachübergreifend - CodeMittelstufeNeu
Bonitäts-Scoring für ein Kölner Factoring-Unternehmen
Sie erhalten anonymisierte Daten von 18.000 historischen Forderungen über 36 Monate mit Default-Label, plus 24 Features (Unternehmens-Stammdaten, Bilanz-Kennzahlen, Zahlungs-His…
- Supervised Learning
- Feature Engineering
- Model Evaluation
Machine Learning (CS Elective) - CodeMittelstufeNeu
Spark-Pipeline für Risiko-Scoring bei einem Frankfurter B2B-Fintech
Du erhältst die bestehende pandas-Pipeline (Feature-Aggregation über 30/90/180-Tage-Fenster pro Geschäftskund:in plus ein bereits trainiertes XGBoost-Modell als PMML-Export), ei…
- Apache Spark
- Distributed Computing
- Feature Engineering
Fachübergreifend - CodeMittelstufeNeu
LSTM-Modell für Vibrations-Anomalien an einer Druckguss-Anlage
Du erhältst 8 Monate Vibrations-Sequenzen (10-kHz-Abtastung, 8 Maschinen) plus 22 bestätigte Wartungsfälle. Aggregiere auf Sekunden-Fenster (Mittelwert, Std, FFT-Hauptfrequenzen…
- Lstm Architectures
- Anomaly Detection
- Time Series
Fachübergreifend - CodeMittelstufeNeu
VAE-basierte Anomalie-Erkennung für Banküberweisungen
Du bekommst 1,2 Mio. anonymisierte legitime Transaktionen, 4.000 als auffällig markierte Transaktionen und das heutige Regel-Set. Trainiere ein VAE auf den legitimen Daten, nutz…
- Vae
- Generative Models
- Anomaly Detection
Generative AI - CodeMittelstufeNeu
Anomalie-Erkennung für Produktions-Sensordaten in einem Maschinenbau-KMU
Sie erhalten 18 Monate Sensordaten (10 Hz pro Sensor, 14 Sensoren, drei Anlagen) und ein Wartungs-Protokoll mit 12 dokumentierten Ausfällen plus 47 geplanten Wartungen. Bereiten…
- Unsupervised Learning
- Time Series
- Feature Engineering
Machine Learning (CS Elective) - ResearchMittelstufeNeu
Kernel-Methoden vs. neuronales Netz auf Chromatographie-Daten
Du erhaeltst rund 12 000 Chargen mit je einem 800-Punkt-Chromatogramm (numerische Zeitreihe) plus Zielspalte (konform/abweichend). Implementiere zwei Vergleichsmodelle: (1) Kern…
- Kernel Methods
- Neural Networks
- Model Evaluation
Fachübergreifend - AnalysisEinsteigerNeu
Kreditrisiko-Scoring fuer einen regionalen Kreditgeber
Du erhaeltst eine CSV mit 35 000 abgeschlossenen Kreditfaellen aus 2018-2024: Antragsmerkmale (Alter, Beschaeftigungsdauer, beantragte Hoehe, Laufzeit, Zweck), externe Bonitaets…
- Supervised Learning
- Model Evaluation
- Feature Engineering
Machine Learning (Undergraduate) - AnalysisEinsteigerNeu
Kundensegmentierung für einen Lebensmittel-Discounter clusteranalysieren
Du erhältst einen anonymisierten Loyalty-Datensatz (Käufe + grobe Demografie + Filial-Region) über 6 Monate. Erstelle ein RFM-Feature-Set (Recency, Frequency, Monetary — Aktuali…
- Clustering
- Feature Engineering
- Rfm Analysis
Fachübergreifend - CodeEinsteigerNeu
Kreditausfall-Scoring für ein Berliner KMU-Fintech
Du arbeitest mit einem anonymisierten Datensatz aus 24.000 historischen Kreditanträgen mit dem Zielmerkmal 'Default innerhalb von 12 Monaten'. Trainiere ein Klassifikationsmodel…
- Classification
- Xgboost
- Shap
AI and Quantitative Finance - CodeMittelstufeNeu
Daten-Pipeline für Streaming-Features bei einem Wiener Online-Händler
Du erhältst eine Beispiel-Topologie (Browse-, Cart-, Order-Events als Kafka-Topics mit jeweils rund 8.000 Events/s in Spitzen), das aktuelle Batch-Feature-Schema (12 Aggregat-Fe…
- Streaming
- Apache Kafka
- Apache Spark
Fachübergreifend - CodeMittelstufeNeu
End-zu-End-ML-Pipeline fuer einen Logistik-Dispatcher
Du baust eine Pipeline in Python, die taeglich aus zwei Datenquellen (Containerterminal-API + Wettervorhersage-API) zieht, Features aufbaut, ein Gradient-Boosting-Modell auf rol…
- Ml Pipelines
- Feature Engineering
- Model Evaluation
Machine Learning in Practice
So funktioniert's
Vom Briefing zum Zertifikat – in sechs Schritten.
Schritt 01
Durchsuche Challenges passend zu Deinem Studium.
Schritt 02
Wähle das Projekt, das zu Deinen Zielen passt.
Schritt 03
Arbeite es mit Hilfe des AI Copiloten durch.
Schritt 04
Reiche es zur strukturierten Bewertung ein.
Schritt 05
Erhalte ein verifiziertes Zertifikat.
Schritt 06
Füge es Deinem LinkedIn-Profil mit einem Klick hinzu.
Branchenteams hinter einem Jahrzehnt praxisorientierter Briefings
Aus diesem Pool einstellen?
Sponsere eine Challenge und lerne Kandidaten durch ihre tatsächliche Arbeit kennen.
Industrieteams können Briefings rund um die Fähigkeiten gestalten, die sie suchen, und Studierende anhand von bewertungsmatrix-gestützten Ergebnissen beurteilen – nicht anhand von Lebensläufen.