Selbstgesteuertes Projekt
Energy and Renewable: Machine Learning for the Power Grid
Junior Machine Learning Engineer · KI / ML · August 2026
Eine ProoV-Fallstudie · Lernprojekt, kein Arbeitsverhältnis
Built an end-to-end gas-turbine TEY predictor using leakage-free sensor inputs and a time-based validation split. Compared a LinearRegression baseline against a RandomForest model, reported held-out MAE/RMSE/R2, and documented practical limits, drift monitoring, and intended use in a concise model card.
Bewertet nach
- Build and validate the model correctly35%
- Optimize and evaluate honestly25%
- Write the Model Card (clarity + honesty)25%
- Explain it to a non-expert15%
Bestanden · Bestehensgrenze 60/100
Was herausstach6
- Correctly excluded CO and NOx as downstream emissions to avoid leakage
- Used a genuine earlier-train / later-test split instead of random shuffling
- Reported held-out MAE, RMSE, and R2 and read the residual/drift implications
- Explained the model in manager-friendly language with a concrete failure mode
- Leakage-Free Feature Selection
- Time-Based Holdout Evaluation
Meine eingereichte Arbeit19 Aufgaben
11 Aufgaben · 6.8k Zeichen · Python, JavaScript · 8 Textantworten · 355 Wörter
- Problem Frame130 Zeichen
- Leakage Flags114 Zeichen
- Train Validate BaselinePython · 1.4k Zeichen
- Train Validate Forest944 Zeichen
- Train Validate124 Zeichen
- Tune Evaluate SetupPython · 1.5k Zeichen
- Tune Evaluate89 Zeichen
- Residual Read179 Zeichen
- Drift Monitor91 Zeichen
- Model Card1.5k Zeichen
- Teach BackJavaScript · 724 Zeichen
- Problem Frame5 Wörter
- Leakage Flags1 Wort
- Train Validate Baseline141 Wörter
- Train Validate Forest77 Wörter
- Train Validate1 Wort
- Tune Evaluate Setup110 Wörter
- Tune Evaluate1 Wort
- Residual Read19 Wörter
Bewusst zusammengefasst — der eingereichte Code und die Texte bleiben privat, damit diese Seite nicht als Lösungsvorlage dient. Die vollständige Einreichung steht hinter dem verifizierten Zertifikat.