Deep-Learning-Projekt
In EntwicklungDeep Learning for Critical Systems
Ein PyTorch-Projekt für ein nachvollziehbares, robustes und reproduzierbares Deep-Learning-System. Der vollständige Anwendungsfall und die Datenbasis werden zu Beginn der Abschlussprojektphase festgelegt.
Status
In Entwicklung
Primäres Framework
PyTorch
Projektart
Modulabschlussprojekt
Projektziel
Nicht nur ein Modell, sondern ein nachvollziehbarer Entwicklungsprozess.
Das Projekt soll zeigen, wie ein Deep-Learning-Modell von der ersten Datenprüfung bis zu einer technisch nutzbaren Anwendung entwickelt wird.
Neben der Modellleistung stehen Datenqualität, Reproduzierbarkeit, Robustheit, Fehleranalyse, Interpretierbarkeit und technische Wartbarkeit im Mittelpunkt.
Ergebnisse und Kennzahlen werden erst veröffentlicht, sobald sie mit einer festgelegten Datenbasis reproduzierbar ermittelt wurden.
Geplanter Projektaufbau
6 klar getrennte Entwicklungsphasen.
Der Status wird während der Umsetzung fortlaufend aktualisiert.
-
01
Problemdefinition und Datenbasis
Anwendungsfall, Zielvariable, Datenherkunft, Datenqualität und Erfolgskriterien werden eindeutig dokumentiert.
In Vorbereitung -
02
Explorative Analyse und Aufbereitung
Verteilungen, fehlende Werte, Ausreißer, mögliche Verzerrungen und relevante Merkmale werden untersucht.
Geplant -
03
Baseline und Modellarchitekturen
Eine nachvollziehbare Baseline wird mit geeigneten neuronalen Modellarchitekturen verglichen.
Geplant -
04
Training und Evaluation
Training, Validierung, Testdaten und Metriken werden strikt getrennt und reproduzierbar dokumentiert.
Geplant -
05
Robustheit und Interpretierbarkeit
Fehlerfälle, Unsicherheiten, Eingabesensitivität und nachvollziehbare Modellentscheidungen werden untersucht.
Geplant -
06
Bereitstellung und Dokumentation
Das ausgewählte Modell wird über eine API zugänglich gemacht und mit Tests, Container und technischer Dokumentation ergänzt.
Geplant
Technischer Stack
Werkzeuge für Entwicklung, Evaluation und Bereitstellung.
- Python
- PyTorch
- Pandas
- NumPy
- scikit-learn
- Matplotlib
- FastAPI
- Docker
- Git
Qualitätskriterien
Woran das Projekt später gemessen wird.
- Saubere Trennung von Training, Validierung und Test
- Vergleich mit einer nachvollziehbaren Baseline
- Reproduzierbare Experimente und feste Zufallswerte
- Dokumentierte Fehlerfälle und Modellgrenzen
- Nachvollziehbare Architektur und Projektstruktur
- Technisch nutzbare Bereitstellung des ausgewählten Modells
Aktueller Stand
Die Projektdokumentation wächst mit der tatsächlichen Umsetzung.
Datenbasis, Architektur, Kennzahlen, Visualisierungen, Quellcode und technische Entscheidungen werden ergänzt, sobald die jeweiligen Arbeitsschritte abgeschlossen sind.