Word Embeddings
Wenn Du gerne Word Embeddings anwendest, kannst Du das hier an realen Industrieprojekten üben.
- StrategyEinsteigerNeu
Frischhalte- und Kostenmodell für eine RAG-Wissensdatenbank entwerfen
Du bekommst die Anforderungen: 280.000 Bestandsdokumente, 400 neue pro Tag, 50 Konsulent:innen mit durchschnittlich 12 Suchen pro Tag, Erwartung 'Dokumente älter als 24 Stunden …
- RAG Architekturen
- Vector Databases
- Data Pipelines
Vector Databases and Embeddings - ResearchEinsteigerNeu
Word-Embedding-Vergleich für Stuttgarter Automotive-NLP-Team
Sie erhalten 280.000 deutsche Werkstatt-Reports. Trainieren Sie zwei Embedding-Varianten von Grund auf auf der Domäne: (1) Word2Vec mit Skip-Gram, (2) FastText (handhabt OOV-Wör…
- Word Embeddings
- Word2vec
- Fasttext
Neural Networks for NLP - CodeMittelstufeNeu
Semantische Suche für ein Kölner Rechtsverlags-Portal aufbauen
Sie erhalten 50.000 anonymisierte Urteile und ein Test-Set von 80 Anwältinnen-Suchanfragen mit redaktionell gelabelten relevanten Dokumenten (Recall@10 als Hauptmetrik). Bauen S…
- Distributional Semantics
- Word Embeddings
- Information Retrieval
Computational Semantics - CodeMittelstufeNeu
Empfehlungssystem für ein Berliner Musik-Streaming-Startup
Du erhältst einen anonymisierten Listen-Datensatz von rund 600.000 Nutzer:innen und 90.000 Tracks (rund 35 Millionen Listen-Events der letzten 12 Wochen). Implementiere (1) eine…
- Recommender Systems
- Collaborative Filtering
- Word Embeddings
Social Network Analysis and Web Science 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
- CodeEinsteigerNeu
Lexikalische Ressource für eine Tiroler Tourismus-Plattform
Du erhältst 30.000 Beschreibungstexte (DE/EN/IT-Mix) und drei bestehende inkonsistente Glossare. Baue eine Pipeline mit (1) automatischer Term-Extraktion aus den Beschreibungen …
- Lexical Resources
- Skos
- Term Extraction
Linguistic Engineering and Language Technologies - CodeMittelstufeNeu
Information-Retrieval-Index für ein Versicherungs-Wissensportal
Du erhältst den Dokumenten-Korpus (anonymisiert, juristische Texte) und ein Test-Set mit 250 Suchanfragen plus erwarteten Treffern. Baue eine Pipeline: (1) Dokument-Preprocessin…
- Information Retrieval
- Bm25
- Word Embeddings
Data Mining and Information Retrieval - AnalysisEinsteigerNeu
Vector-Suche für Produkt-Empfehlungen bei einem Hamburger FMCG-Konzern
Du erhältst Embeddings für 180.000 Produkte (768-dimensional, aus einem mehrsprachigen Sentence-Transformer), 5.000 Such-Anfragen mit Relevanz-Labels (Klick = relevant, gewertet…
- Vektor Datenbank Grundlagen
- Benchmarking
- Python Oder Javascript
Machine Learning at Scale - CodeEinsteigerNeu
Wikidata-basiertes Skills-Mapping für eine Hamburger HR-Plattform
Du erhältst 8.000 freie Skill-Strings aus der bisherigen Datenbank plus eine kuratierte Liste mit 200 Goldstandard-QIDs. Implementiere eine Pipeline mit (1) Vorverarbeitung (Nor…
- Entity Linking
- Wikidata
- Sparql
Knowledge Graphs and Semantic Web - 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.
- CodeEinsteigerNeu
Semantische Vertragssuche für eine Legal-Tech-Kanzlei aufbauen
Du erhältst 5.000 anonymisierte deutsche Vertragsklauseln (Mustertexte) plus 20 gelabelte Suchanfragen mit jeweils 5-10 erwarteten Treffern. Wende zwei Embedding-Modelle an (ein…
- Vektor Datenbank Grundlagen
- Word Embeddings
- Semantic Search
Vector Databases and Embeddings - CodeEinsteigerNeu
RAG-Prototyp für IT-Helpdesk eines OWL-Mittelständlers
Sie erhalten einen anonymisierten Korpus von rund 1.200 internen Wiki-Artikeln + 300 historischen Ticket-Antworten. Bauen Sie eine RAG-Pipeline: Embedding eines Open-Source-Mode…
- RAG Architekturen
- Word Embeddings
- Vector Databases
AI/ML Practicum and Hands-on Lab
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.