Parth Malasne

Erstelle dein Portfolio mit ProoV
ProoV
EN Verifiziertes Arbeitsportfolio

ProoV Portfolio

Parth Malasne

ELECTRONICS AND TELECOMMUNICATIONS · University of Mumbai

Zum ProoV-Leaderboard

Projekte

Zertifiziert

Selbstgesteuertes Projekt

Predictive Maintenance: Industrial ML for Fault Detection

Condition-Monitoring Engineer · KI / ML · Oktober 2026

92/ 100

Eine ProoV-Fallstudie · Lernprojekt, kein Arbeitsverhältnis

Built an end-to-end rolling-bearing fault detector from vibration data: engineered RMS, kurtosis, crest factor, and envelope-spectrum defect-frequency features; trained a depth-capped decision tree on training bearings only; and evaluated it on held-out bearings with catch-rate and false-alarm metrics. The candidate also localized the fault to the outer race via BPFO and justified an alarm threshold with a clear cost-based maintenance memo.

Bewertet nach

  • Feature engineering (signal to honest numbers)25%
  • Held-out evaluation (honest measurement)25%
  • Cost-based threshold decision + memo25%
  • Compact model + embedded-budget justification15%
  • Plain-language explanation10%

Bestanden · Bestehensgrenze 60/100

Was herausstach6
  • Correctly tied the dominant envelope peak to BPFO and the outer race fault location
  • Chose kurtosis as the time-domain feature that jumps most on impulsive faults
  • Reported a compact tree with stated depth 2 and 5 nodes, aligned to the embedded budget
  • Defended the 0.40 threshold using explicit €20,000 miss cost versus €500 false-alarm cost
  • Leakage-Free Feature Engineering
  • Honest Held-Out Evaluation
Meine eingereichte Arbeit19 Aufgaben

11 Aufgaben · 5.9k Zeichen · Python, JavaScript · 8 Textantworten · 383 Wörter

  • Initial Prediction62 Zeichen
  • Load Plot Signal CodePython · 1.8k Zeichen
  • Load Plot Signal205 Zeichen
  • Example Rms WorkedPython · 697 Zeichen
  • Time Features143 Zeichen
  • Freq FeaturesPython · 775 Zeichen
  • Fault Location239 Zeichen
  • Train Classifier363 Zeichen
  • Evaluation Heldout288 Zeichen
  • Threshold Decision334 Zeichen
  • Decision MemoJavaScript · 1.0k Zeichen
  • Initial Prediction9 Wörter
  • Load Plot Signal Code163 Wörter
  • Load Plot Signal15 Wörter
  • Example Rms Worked72 Wörter
  • Time Features10 Wörter
  • Freq Features69 Wörter
  • Fault Location14 Wörter
  • Train Classifier31 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.

Verifiziertes ZertifikatFälschungssicher · ausgestellt von ProoV
Zertifiziert

Selbstgesteuertes Projekt

Energy and Renewable: Machine Learning for the Power Grid

Junior Machine Learning Engineer · KI / ML · Oktober 2026

92/ 100

Eine ProoV-Fallstudie · Lernprojekt, kein Arbeitsverhältnis

Built a leakage-aware turbine yield predictor end to end: framed TEY as the target, excluded downstream CO/NOX emissions, trained a LinearRegression baseline and a RandomForest model, and validated on a later held-out period. The final model achieved 1.53 MWh MAE, 1.94 RMSE, and 0.983 R² on held-out data, with a model card that clearly states intended use, limits, and monitoring triggers.

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 leakage features and explained why they are unavailable at prediction time.
  • Used a later-year holdout split and reported held-out MAE, RMSE, and R² rather than relying on training performance.
  • Included a residual read and acknowledged that strong performance on one plant does not guarantee generalization to other turbines.
  • Wrote a concise manager-facing summary that correctly states the prediction target, accuracy, trust basis, and failure mode.
  • Leakage-Free Feature Selection
  • Time-Based Holdout Evaluation
Meine eingereichte Arbeit20 Aufgaben

12 Aufgaben · 13 Zeilen · Python, JavaScript · 8 Textantworten · 416 Wörter

  • Problem Frame214 Zeichen
  • Leakage Flags113 Zeichen
  • Train Validate BaselinePython · 1.4k Zeichen
  • Train Validate Forest943 Zeichen
  • Train Validate124 Zeichen
  • Tune Evaluate SetupPython · 1.5k Zeichen
  • Tune Evaluate ResidualsPython · 2 Zeilen
  • Tune Evaluate132 Zeichen
  • Residual Read345 Zeichen
  • Drift Monitor93 Zeichen
  • Model Card1.0k Zeichen
  • Teach BackJavaScript · 726 Zeichen
  • Problem Frame16 Wörter
  • Leakage Flags1 Wort
  • Train Validate Baseline141 Wörter
  • Train Validate Forest76 Wörter
  • Train Validate1 Wort
  • Tune Evaluate Setup110 Wörter
  • Tune Evaluate Residuals70 Wörter
  • Tune Evaluate1 Wort

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.

Verifiziertes ZertifikatFälschungssicher · ausgestellt von ProoV
Zertifiziert

Selbstgesteuertes Projekt

AI-Assisted Code Modernization with IBM

Junior Software Engineer · Softwareentwicklung · Oktober 2026

96/ 100

Basierend auf einer öffentlichen Fallstudie von IBM · nicht mit IBM verbunden

Built and verified an end-to-end modernization of a legacy fleet-service repo: fixed the wear calculation, handled missing service readings safely, corrected the nightly report’s average and crash path, and found a hidden mileage-conversion bug in the helpers. Also added the missing test, produced a data-driven breakdown-risk analysis from fleet_history.csv, and documented the review process in NOTES.md with clear acceptance checks.

Bewertet nach

  • Fix and extend the repo with the agent35%
  • Diagnose the bug20%
  • Direct and audit the AI agent25%
  • Explain it like an engineer20%

Bestanden · Bestehensgrenze 60/100

Was herausstach6
  • Correctly identified the integer-division wear bug and explained the real consequence: nearly-worn cars could read as 0% and never be flagged.
  • Caught the quiet helper-module conversion bug in fleet_utils.py, which no test covered, showing a genuine sweep beyond the obvious failures.
  • Wrote a concrete NOTES.md that documents what the agent got wrong and how the fixes were verified with verify.py and pytest.
  • Built an analysis that follows the data: it explicitly rejects odometer_km and age_years as primary predictors and emphasizes km_since_service, load_factor, and avg_daily_km.
  • Leakage-Free Bug Diagnosis
  • Verified AI-Agent Auditing

Das Ergebnis

Zum Codeparthmalasne888-crypto / proov-km-waechter-fix
Meine eingereichte Arbeit20 Aufgaben

12 Aufgaben · 2.0k Zeichen · 8 Textantworten · 114 Wörter

  • Division Predict70 Zeichen
  • Diagnose Line130 Zeichen
  • Diagnose Why138 Zeichen
  • Scope Prompt66 Zeichen
  • Audit Findings158 Zeichen
  • Audit Why259 Zeichen
  • Acceptance Checklist263 Zeichen
  • Bob Ready60 Zeichen
  • Template Repo Click82 Zeichen
  • Verify Report71 Zeichen
  • Exec Pitch561 Zeichen
  • Bob Bonus182 Zeichen
  • Division Predict1 Wort
  • Diagnose Line10 Wörter
  • Diagnose Why22 Wörter
  • Scope Prompt1 Wort
  • Audit Findings1 Wort
  • Audit Why39 Wörter
  • Acceptance Checklist39 Wörter
  • Bob Ready1 Wort

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.

Verifiziertes ZertifikatFälschungssicher · ausgestellt von ProoV
Zertifiziert

Selbstgesteuertes Projekt

Machine Learning for Automotive Safety

Perception Validation Engineer (ADAS Safety Sign-off) · KI / ML · Juli 2026

92/ 100

Eine ProoV-Fallstudie · Lernprojekt, kein Arbeitsverhältnis

Built a perception validation dossier end to end for a synthetic Aurora-7 detector: defined detections with an IoU >= 0.5 rule, scored precision/recall and VRU false-negative rate from a synthetic table, and sliced recall by night, occlusion, and rarity to expose the worst safety gaps. The final recommendation was evidence-based and conditional, with SOTIF-style mitigations tied to the specific night-and-occlusion pedestrian risk and a correct comparison to the Uber Tempe crash mechanism.

Bewertet nach

  • Detection metrics correctness (precision, recall, VRU false-negative rate)30%
  • Failure-mode analysis & per-condition rigour25%
  • SOTIF safety case quality (ISO 21448 reasoning)25%
  • Ship verdict — evidence-based & internally consistent20%

Bestanden · Bestehensgrenze 60/100

Was herausstach6
  • Computed and carried forward the correct IoU-based detection rule, including the 0.5 match threshold and unmatched-real-object false negative definition.
  • Used VRU recall and VRU false-negative rate as the safety lens, rather than relying on aggregate accuracy alone.
  • Exposed the dangerous slices clearly: night recall 0.39, occluded recall 0.45, and worst-case night+occluded recall 0.27.
  • Wrote an internally consistent GO-WITH-CONDITIONS verdict that cites the dossier’s own metrics and mitigation path.
  • Leakage-Free Detection Definition
  • Honest Safety Metric Evaluation
Meine eingereichte Arbeit20 Aufgaben

12 Aufgaben · 14.9k Zeichen · Python · 8 Textantworten · 817 Wörter

  • Sensor Match553 Zeichen
  • Example Iou Demo1.5k Zeichen
  • Task Definition Code1.1k Zeichen
  • Task Definition377 Zeichen
  • Example Metrics DemoPython · 2.2k Zeichen
  • Scored Metrics RunPython · 2.3k Zeichen
  • Scored Metrics351 Zeichen
  • Realcase Analysis830 Zeichen
  • Teachback741 Zeichen
  • Ttcs Example SlicePython · 1.3k Zeichen
  • Ship Verdict1.5k Zeichen
  • Sotif Case2.2k Zeichen
  • Sensor Match27 Wörter
  • Example Iou Demo169 Wörter
  • Task Definition Code149 Wörter
  • Task Definition42 Wörter
  • Example Metrics Demo154 Wörter
  • Scored Metrics Run143 Wörter
  • Scored Metrics18 Wörter
  • Realcase Analysis115 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.

Verifiziertes ZertifikatFälschungssicher · ausgestellt von ProoV
4Abgeschlossene Projekte
4Verifizierte Zertifikate
93Durchschnittsnote
Erstelle dein Portfolio mit ProoV