- Leitung der Entwicklung eines Reinforcement Learning-Algorithmus zur Optimierung des Routings von selbstfahrenden Bussen (6 Teammitglieder)
- Organisation des Teams in agilen Sprints
- Code Reviews

- Entwicklung eines Algorithmus zur Vorhersage von Graffitibesprühungen an Zügen anhand von historischen Meldungen und Zugbewegungsdaten
- Fachliche Leitung: Entwicklung eines Reinforcement Learning-basierten Agenten zur Optimierung des Routings autonomer Bussen
- Entwicklung eines Algorithmus zur Optimierung von Instandhaltungsarbeiten an Windenergieanlagen
- Entwicklung einer Reinforcement Learning Baseline für die Kaggle kore 2022 Competition. Der Beitrag erhielt die meisten Upvotes von anderen Teilnehmer: https://www.kaggle.com/code/lesamu/reinforcement-learning-baseline-in-python/
- Zweiter Community Preis in der ?NeurIPS Flatland challenge: Multi-agent reinforcement learning in complex train networks?: https://www.aicrowd.com/showcase/the-flatland-symphony
- Zahlreiche Pitches und Workshops
- Erstellung eines firmeninternen "Coffee break bots" als Docker Container mit Slack & Azure

Ziel des Projektes war, Ort und Zeit von Graffitibesprühungen an Zügen zu vorhersagen. Mit dieser Information könnte die DB Regio durch den Einsatz von Sicherheitspersonal den Schaden verhindern.

Ich habe die Leitung des Projektes übernommen und Machine Learning-Modelle anhand von historischen Meldungen und Zugbewegungsdaten entwickelt. Das beinhaltet:
- Data Cleaning & Feature Engineering
- Definition von geeigneten Modellmetriken in Abstimmung mit dem Fachbereich
- Kontrolle der Datenqualität. Organisation und Durchführung von Fachworkshops, um diese zu erhöhen
- Visualisierung von Graffitihotspots und Modellgüte
- Präsentation der Ergebnisse vor den Stakeholdern (bis CIO-Level)

- Entwicklung und Deployement eines Algorithmus, der eine optimale Terminplanung für die Instandhaltung von Windenergieanlagen erzeugt. Die durch die Ausschaltung der Anlage verursachten Verluste werden minimiert 
- Definition und Implementierung der Datenstruktur nach OOP-Prinzipien
- Code Refactoring inkl. Erstellung von Unit Tests
- Enge Kollaboration mit Data Engineers und DevOps Engineers bezüglich des Deployments
- Deployment als MS Azure Function

- Minutengenaue Vorhersage von Flugverspätungen anhand von geographischen Daten
- Entwicklung von Machine Learning-Modelle in Python (Random Forests, XGBoost) 
- Feature Engineering mit pandas und PySpark
- Reduzierung der Rechenzeit von Features von Tagen auf Stunden
- Die Performance des trainierten ML-Modells übertraf die des zu den Zeitpunkt eingesetzten Modells
- Visualisierung der Ergebnisse mit kepler.gl, Plotly und Matplotlib

- Minutengenaue Vorhersage von Flugverspätungen anhand von geographischen Daten
- Entwicklung von Machine Learning-Modelle in Python (Random Forests, XGBoost) 
- Feature Engineering mit pandas und PySpark
- Reduzierung der Rechenzeit von Features von Tagen auf Stunden
- Die Performance des trainierten ML-Modells übertraf die des zu den Zeitpunkt eingesetzten Modells
- Visualisierung der Ergebnisse mit kepler.gl, Plotly und Matplotlib

- Entwicklung eines "Moonshot"-Geschäftsmodells basierend auf Blockchain, Datensouveränität und Alternativen zur Online-Werbung
- Erstellung von Berichten und Dashboards in Tableau
- Ad-hoc Datenanalysen (SQL, Python)