Projekte und Challenges ab dem 1. Semester Data Science
Verbinde theoretisches Wissen und praktische Anwendung im Studium an der FHNW. Bearbeite spannende Projekte und Challenges, die dich optimal auf das Berufsleben vorbereiten und dein erlerntes Wissen erfolgreich anwenden lassen.
Wissen allein reicht nicht, man muss es auch anwenden können. Deshalb kannst du im Data Science Studium pro Semester ein bis zwei Challenges oder Projekte – bis zu einem Drittel deiner Studienleistung – zu angewandten Fragestellungen im Team bearbeiten. Was du in den Modulen lernst, wird so vernetzt und realitätsnah angewendet. So wie es auch im Berufsleben der Fall sein wird.
Fragestellungen von Wirtschaftspartnern
Fragestellungen von Dozierenden, realitätsnah und auf den Studienstand zugeschnitten
Deine eigene Fragestellungen, aus Job, Hobby oder Leidenschaft
Beispiele von Projekten und Challenges
Klimadaten Story Studierende entwickeln eine neue Website, die Daten zur Entwicklung extremer Klimaereignisse (Starkniederschläge, Dürren, Stürme, Waldbrände, Überschwemmungen,...) in deiner Region übersichtlich und allgemeinverständlich darstellt.
Logistikkosten verstehen Seit dem Outsourcing-Entscheid steigen die Logistikkosten im Unternehmen kontinuierlich an. Der Auftraggeber möchte Transparenz über die Kostentreiber schaffen, um geeignete Cross-Selling-Massnahmen ergreifen zu können.
Crossselling in Banking Die Studierenden analysieren Kunden- und Transaktionsdaten einer Bank mit dem Ziel, zusätzliche passende Produkte für bestehende Kunden zu identifizieren.
Steinschlagrisiko Entlang einer Alpenstrasse haben sich wiederholt kleinere Steinschlagereignisse ereignet und die Behörden fragen sich, ob das Risiko für die Verkehrsteilnehmenden tragbar ist. Mit Hilfe einer datenbasierten Risikoberechnung geben die Studierenden die Antwort.
Wettermonitor für Segler*innen Die Studierenden erstellen auf einem Raspberry Pi einen Wettermonitor, auf dem die Segler*innen die Wetterdaten und -prognosen für die nächsten Stunden ablesen können.
Wie viel ist mein Haus wert? Die Studierenden erstellen ein Machine-Learning-Modell, das den Wert einer Immobilie anhand einiger weniger Merkmale schätzen kann.
Tinder for Movies Wir kennen es von Netflix und YouTube: Ein Algorithmus schlägt uns aufgrund unserer Vorlieben Filme vor. Im Tinder for Movies setzen Studierende genau das um.
Video Based Tennis Training Aus Videos von Tennis-Trainings und -spielen werden Daten zur Ball- und Spieler*innenbewegung extrahiert, statistisch ausgewertet und visualisiert, um das Training von jungen Spieler*innen zu verbessern und zu individualisieren..
Shared Mobility In Zusammenarbeit mit einer Forschungsgruppe analysieren Studierende die Nachfrage nach Shared Mobility Services in Schweizer Städten mit dem Ziel, das Angebot zeitlich und räumlich differenziert auf die Nachfrage abzustimmen.
Café, mon amour! Für den Kaffeemaschinenhersteller Thermoplan analysieren Studierende die Kaffeevorlieben in verschiedenen Ländern, um die Produkte bestmöglich darauf abzustimmen. In einem weiteren Projekt für den gleichen Kunden erstellen die Studierenden einen Predictive Maintenance Algorithmus, um die Wartung der Kaffeemaschinen zeitlich zu optimieren.
Deep Learning in the Wild Studierende entwickeln einen Deep Learning Bilderkennungsalgorithmus, der Wildtiere auf Fotos erkennt und kategorisiert.
MRI to CT In Zusammenarbeit mit dem Universitätsspital Zürich entwickeln die Studierenden ein Diffusion-Modell, das es erlaubt, ein MRI-Bild präzise in ein CT-Bild zu übersetzen.
Mobility Sensor Data Die Studierenden erstellen ein Deep-Learning-Modell, das anhand der Bewegungsdaten ihres Mobiltelefons erkennt, welche Aktivität sie gerade ausführen.
Knochenbruch erkennen Studierende entwickeln für ein Spital in Liestal ein Deep-Learning-Modell, das Knochenbrüche auf Röntgenbilder erkennt.
