In diesem Projekt wurden Daten des Paul Scherrer Instituts (PSI) genutzt, um mittels Time Series Forecasting die Lebensdauer von Maschinen präzise vorherzusagen. Ziel war es, ein zuverlässiges Modell zu entwickeln, das den Zeitpunkt identifiziert, zu dem eine Maschine ersetzt werden muss, um Ausfallzeiten zu minimieren und die Effizienz der Anlagenwartung zu maximieren. Um dieses Ziel zu erreichen, wurden verschiedene prognostische Methoden und Algorithmen evaluiert, darunter fortschrittliche Techniken wie ARIMA (AutoRegressive Integrated Moving Average) und XGBoost (eXtreme Gradient Boosting). Der Prozess umfasste eine gründliche Analyse und Verarbeitung der Zeitreihendaten, um Trends, Saisonalitäten und mögliche Anomalien zu erkennen, die Aufschluss über die Lebensdauer der Maschinen geben könnten. Die besondere Herausforderung des Projekts lag darin, trotz der geringen Datenmenge präzise Langzeitvorhersagen über die Lebensdauer von Maschinen zu erstellen.

In diesem Projekt mit Daten von Thermoplan lag der Fokus darauf, zu analysieren, wie Menschen auf verschiedenen Kontinenten ihren Kaffee trinken und welche Präferenzen dabei erkennbar sind. Durch die Untersuchung von Verbrauchsmustern, bevorzugten Kaffeearten und Brühmethoden in unterschiedlichen geografischen Regionen konnte ein detailliertes Verständnis der globalen Kaffeekultur entwickelt werden. Die Analyse bezog sich nicht nur auf die Art des konsumierten Kaffees, sondern auch auf die Häufigkeit des Konsums, die Tageszeit, zu der Kaffee bevorzugt getrunken wird, und die Vorlieben für bestimmte Kaffeezusätze wie Milch, Zucker oder Sirup. Weiterhin wurden basierend auf den Erkenntnissen strategische Marketingempfehlungen für Thermoplan entwickelt.

Das Projekt zielt darauf ab, Strategien gegen den durch Treibhausgase wie Kohlendioxid und Methan beschleunigten Klimawandel zu entwickeln, wobei die Energieerzeugung, die für mehr als 80% des weltweiten CO2-Ausstosses verantwortlich ist, im Fokus steht, um die globale Einigung auf eine 'Netto-Null' CO2-Emission bis 2050 zu unterstützen. Der Fokus lag dabei auf der Schweiz, Deutschland und Spanien, wobei die Herausforderung bestand, vertrauenswürdige Open-Source-Daten zu finden. Für jedes dieser Länder wurden spezifische Policy-Empfehlungen erstellt, um lokale Massnahmen zur Reduzierung der CO2-Emissionen zu unterstützen und den Weg zu 'Netto-Null' bis 2050 zu ebnen. Als abschliessende Abgabe wurde ein interaktives Dashboard mittels Heroku erstellt, das die Analyseergebnisse und Empfehlungen visualisiert und Stakeholdern ermöglicht, datengestützte Entscheidungen zur Klimapolitik und Emissionsreduktion in den fokussierten Ländern zu treffen.

Das Ziel dieser Challenge bestand darin, einen fortschrittlichen Empfehlungsalgorithmus für Filme zu entwickeln, der nicht nur die Inhaltszusammenfassungen (Overviews) und individuellen Bewertungen (Ratings) der Nutzer berücksichtigt, sondern auch detaillierte Kundenprofile erstellt. Durch die Analyse der Vorlieben und Sehgewohnheiten der Nutzer sollten personalisierte Filmempfehlungen generiert werden, um das Seherlebnis zu verbessern und die Nutzerbindung zu erhöhen. Die Herausforderung lag insbesondere darin, die Vielfalt und Komplexität der Nutzerinteressen zu verstehen und in Echtzeit Empfehlungen zu liefern, die sowohl die aktuelle Stimmung als auch die langfristigen Präferenzen der Nutzer widerspiegeln. Dies erforderte den Einsatz fortschrittlicher Techniken im Bereich des maschinellen Lernens und der künstlichen Intelligenz, einschließlich Natural Language Processing (NLP) zur Analyse der Filmüberblicke.

Es ging darum Daten, einer fiktiven tschechischen Firma auszuwerten. Das Ziel war es, atraktive Kunden zu identifizieren, welche mit anderen Produkten des Unternehmens interagieren könnten. Die Bank sollte in weder die Ausgaben erhöhen noch Vermögen verlieren. Realisiert wurde diese Challenge mittels R. Dazu wurden die Daten manipuliert und divere Plots erstellt.

Die Hauptaufgabe war es, ein interaktives Dashboar zu erstellen. Dieses sollte die Klimadaten der letzten 50 Jahre auswerten. Dabei sollte es möglich sein, die Daten nach verschiedenen Kriterien zu filtern. Es wurde auf Korrelation zwischen Extremregenfällen und dem Wirtschaftsertrag getestet. Die Auswertung wurde mit Python ausgeführt.