Code
Vorhersagemodell für Ausfallzeiten in der Windenergie-Offshore-Wartung
Übersicht
Worum es bei diesem Projekt geht.
Du bist als Data Science Consultant (Berater:in für Datenwissenschaft) für dieses Projekt eingesetzt. Du erhältst einen synthetischen Datensatz mit 18 Monaten Betriebsdaten (Vibration, Öltemperatur, Windgeschwindigkeit, Wellenhöhe), Wartungshistorie und Logistikzeiten. Deine Aufgabe ist es, ein überwachtes Lernverfahren (Supervised Learning — ein Verfahren, bei dem das Modell anhand bekannter Beispiele mit richtigen Antworten trainiert wird) auszuwählen und zu trainieren, das die Wahrscheinlichkeit eines Ausfalls in den nächsten 72 Stunden vorhersagt. Du dokumentierst die Modellgüte mit gängigen Kennzahlen (Precision, Recall, F1-Score — Maßzahlen für die Qualität einer Klassifikation) und erstellst eine Geschäftsfall-Analyse (Business Case), die zeigt, wie viele ungeplante Ausfälle und Kosten durch frühzeitige Wartung vermieden werden könnten.
Das Briefing
Was Du tust und was Du zeigst.
Wie lässt sich mit überwachtem maschinellem Lernen die Vorhersagegenauigkeit für kritische Windturbinenausfälle so weit steigern, dass die Wartungskosten um mindestens 15 Prozent sinken und die Verfügbarkeit der Anlagen über 97 Prozent bleibt?
Earning criteria — what you'll demonstrate
- Überwachte Lernverfahren (Supervised Learning) für industrielle Vorhersageprobleme anwenden und bewerten
- Datenvorverarbeitung und Feature Engineering (Erstellung relevanter Eingabevariablen für das Modell) bei heterogenen Sensordaten durchführen
- Geschäftlichen Nutzen von Machine-Learning-Modellen quantifizieren und kommunizieren
- Modellgüte-Kennzahlen im Kontext ungleicher Kosten von Fehlern (False Positives vs. False Negatives — fälschlicherweise vorhergesagte vs. übersehene Ausfälle) interpretieren
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.
IoT Data Scientist
Diese Challenge vermittelt praktische Erfahrung mit Sensordaten aus industriellen Internet-of-Things (IoT — Vernetzung physischer Geräte) Anwendungen. Die Fähigkeit, Maschinendaten in vorhersagbare Modelle zu überführen, ist zentral für IoT Data Scientists, die in vernetzter Produktion und Smart Infrastructure arbeiten.
Dieses Projekt schärft
- machine-learning
- predictive-modeling
- data-preprocessing
Machine Learning Engineer
Die Challenge trainiert die Umsetzung von Modellen in reproduzierbare, dokumentierte Codebasen — eine Kernkompetenz von Machine Learning Engineers, die Modelle von der Experimentierphase in produktive Systeme überführen.
Dieses Projekt schärft
- machine-learning
- python
- model-evaluation
Data Scientist
Die Kombination aus technischer Modellierung und geschäftlicher Nutzenquantifizierung spiegelt den typischen Arbeitsalltag von Data Scientists wider, die nicht nur Modelle bauen, sondern deren Wirtschaftlichkeit belegen müssen.
Dieses Projekt schärft
- predictive-modeling
- business-case-development
- model-evaluation
Noch eine Sache