Mein technischer Schwerpunkt liegt auf Machine Learning, MLOps und der Entwicklung datengetriebener Anwendungen. Ich arbeite hauptsächlich mit Python und beherrsche den gesamten ML-Lifecycle ? von Datenaufbereitung und explorativer Analyse über Feature Engineering und Modellierung bis hin zu Deployment, Monitoring und automatisierten ML-Pipelines.
Im klassischen Machine Learning verfüge ich über Kenntnisse in Regression, Klassifikation, Clustering, Dimensionsreduktion, Anomaly Detection, Recommender Systems und Zeitreihenanalyse. Für Deep-Learning-Anwendungen arbeite ich mit TensorFlow, Keras und PyTorch und habe Erfahrung mit neuronalen Netzen, Convolutional Neural Networks sowie Computer Vision mit OpenCV. Darüber hinaus beschäftige ich mich mit NLP, Text Mining, Large Language Models, LangChain, RAG und der Integration von LLM-Anwendungen in produktive Systeme.
Ein weiterer Schwerpunkt ist MLOps. Dazu gehören die Versionierung und Nachverfolgbarkeit von Daten, Modellen und Experimenten mit MLflow, DVC, DagsHub und Weights & Biases, die Orchestrierung von Workflows mit Airflow, Prefect und ZenML sowie Containerisierung und Deployment mit Docker und Kubernetes. Für Model Serving und APIs nutze ich unter anderem FastAPI und BentoML. Kenntnisse in Prometheus, Grafana und Drift Monitoring ermöglichen mir zudem, produktive ML-Systeme hinsichtlich Performance und Datenveränderungen zu überwachen.
Im Bereich Data Engineering arbeite ich mit SQL, relationalen Datenbanken, MongoDB, Elasticsearch, PySpark und MinIO. Daten kann ich über APIs, Web Scraping mit BeautifulSoup und unterschiedliche Datenquellen integrieren und für Analyse- oder ML-Prozesse aufbereiten. Für Visualisierung und prototypische Anwendungen nutze ich unter anderem Matplotlib, Seaborn, Plotly und Streamlit.
Ergänzend verfüge ich über Kenntnisse in Linux, Bash, Git, objektorientierter Programmierung, Unit Testing und Datenqualität. Mir ist wichtig, ML-Lösungen nicht nur als einzelne Modelle zu betrachten, sondern als reproduzierbare, wartbare und produktionsfähige End-to-End-Systeme. Auch Themen wie Interpretierbarkeit, Datenschutz und AI Ethics beziehe ich in die Entwicklung datenbasierter Lösungen ein.
Mein technischer Schwerpunkt liegt auf Machine Learning, MLOps und der Entwicklung datengetriebener Anwendungen. Ich arbeite hauptsächlich mit Python und beherrsche den gesamten ML-Lifecycle ? von Datenaufbereitung und explorativer Analyse über Feature Engineering und Modellierung bis hin zu Deployment, Monitoring und automatisierten ML-Pipelines.
Im klassischen Machine Learning verfüge ich über Kenntnisse in Regression, Klassifikation, Clustering, Dimensionsreduktion, Anomaly Detection, Recommender Systems und Zeitreihenanalyse. Für Deep-Learning-Anwendungen arbeite ich mit TensorFlow, Keras und PyTorch und habe Erfahrung mit neuronalen Netzen, Convolutional Neural Networks sowie Computer Vision mit OpenCV. Darüber hinaus beschäftige ich mich mit NLP, Text Mining, Large Language Models, LangChain, RAG und der Integration von LLM-Anwendungen in produktive Systeme.
Ein weiterer Schwerpunkt ist MLOps. Dazu gehören die Versionierung und Nachverfolgbarkeit von Daten, Modellen und Experimenten mit MLflow, DVC, DagsHub und Weights & Biases, die Orchestrierung von Workflows mit Airflow, Prefect und ZenML sowie Containerisierung und Deployment mit Docker und Kubernetes. Für Model Serving und APIs nutze ich unter anderem FastAPI und BentoML. Kenntnisse in Prometheus, Grafana und Drift Monitoring ermöglichen mir zudem, produktive ML-Systeme hinsichtlich Performance und Datenveränderungen zu überwachen.
Im Bereich Data Engineering arbeite ich mit SQL, relationalen Datenbanken, MongoDB, Elasticsearch, PySpark und MinIO. Daten kann ich über APIs, Web Scraping mit BeautifulSoup und unterschiedliche Datenquellen integrieren und für Analyse- oder ML-Prozesse aufbereiten. Für Visualisierung und prototypische Anwendungen nutze ich unter anderem Matplotlib, Seaborn, Plotly und Streamlit.
Ergänzend verfüge ich über Kenntnisse in Linux, Bash, Git, objektorientierter Programmierung, Unit Testing und Datenqualität. Mir ist wichtig, ML-Lösungen nicht nur als einzelne Modelle zu betrachten, sondern als reproduzierbare, wartbare und produktionsfähige End-to-End-Systeme. Auch Themen wie Interpretierbarkeit, Datenschutz und AI Ethics beziehe ich in die Entwicklung datenbasierter Lösungen ein.