ML-Pipelines
Wenn Du gerne ML-Pipelines anwendest, kannst Du das hier an realen Industrieprojekten üben.
- 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
- Modell Evaluation
Machine Learning in Practice - CodeMittelstufeNeu
Drift-Monitoring fuer ein produktives Empfehlungsmodell
Du erhaeltst die Trainingsdaten (rund 80 000 Firmenkunden, 24 Features) und die letzten 6 Monate Live-Inputs des Modells. Implementiere drei Drift-Metriken: Population Stability…
- Model Monitoring
- Data Drift
- Ml Pipelines
Machine Learning in Practice - CodeMittelstufeNeu
MT-Qualitaetsbewertung-Framework fuer einen mehrsprachigen Konzern
Du baust ein Bewertungsframework in Python, das fuer ein hochgeladenes Uebersetzungspaket folgendes ausgibt: BLEU + chrF + COMET (lernbasierte Bewertung), je Sprache. Ein konfig…
- Mt Evaluation
- Neural Machine Translation
- Python Oder Javascript
Machine Translation
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.