Promovierter Physiker (Max-Planck-Institut), 8 Jahre Python (Pandas, NumPy, SciPy, scikit-learn) für Data Science und statistische Modellierung.
Aktualisiert am 15.06.2026
Profil
Freiberufler / Selbstständiger
Remote-Arbeit
Verfügbar ab: 15.06.2026
Verfügbar zu: 100%
davon vor Ort: 100%
Python
Data Scientist
Machine Learning
Pandas
NumPy
scikit-learn
SciPy
Matplotlib
TensorFlow
Statistische Modellierung
Jupyter
SQL
Git
Linux
LaTeX
Monte-Carlo-Simulationen
Bayesianische Inferenz
Regressionstest
Zeitreihenanlyse
Ukrainisch
Muttersprache
Deutsch
Muttersprache
Englisch
C2
Italienisch
B1
Französisch
A2

Einsatzorte

Einsatzorte

Frankfurt am Main (+500km)
Deutschland, Schweiz, Österreich
möglich

Projekte

Projekte

2024 ? 2026: Research

Kunde: Scuola Normale Superiore di Pisa (Italien)
Rolle: POSTDOKTORAND

Aufgaben:
  • Entwicklung einer 8.500?zeiligen Datenpipeline (Python, NumPy, Pandas) zur Verarbeitung mehrdimensionaler Simulationsausgaben auf HPC-Clustern.
  • Entwicklung eines neuartigen GMM?basierten Algorithmus zur räumlichen Trennung galaktischer Ausströme, erstmals ermöglicht durch direkten Vergleich simulierter Ausströme mit JWST/NIRSpec?Beobachtungsdaten für ?60.000 Galaxien.
  • Validierung des Algorithmus auf einem kontrollierten Testdatensatz: 0,6 % falsch?negative und 3,1 % falsch?positive Ergebnisse bei einem Amplitudenverhältnis von 100× zwischen den Komponenten.
2019 ? 2024: Research

Kunde: Max?Planck?Institut für Astrophysik Garching
Rolle: DOKTORAND/ POSTDOKTORAND

Aufgaben:
  • Konzeption und Durchführung einer maßgeschneiderten Monte?Carlo?Strahlungstransfer?Simulationspipeline zur Nachbearbeitung von 10.000 Galaxien aus 3 Snapshots der 134?TB?TNG50?Suite.
  • Optimierung der Simulationskonfiguration mittels Dynamikbereichsanalyse, wodurch der benötigte Monte?Carlo?Aufwand um den Faktor 50?100× reduziert wurde bei gleichzeitiger vollständiger Konvergenz.
  • Entwicklung eines semianalytischen Modells zur Berechnung der Lyman?Kontinuum?Entweichfraktion für 600.000 simulierte Systeme über 15 Zeitschritte, das populationsskalierte statistische Inferenz ermöglicht.
  • Ableitung eines geschlossenen Schätzers, der die Lyman?Kontinuum?Entweichfraktion über Bayessche Parameterschätzung mit BIC-Modellselektion mit makroskopischen beobachtbaren Größen verknüpft.
  • Entwurf und Implementierung durchgängiger Daten?, Simulations? und ML?Pipelines (?16.000 Zeilen Python: Pandas, NumPy, scikit?learn) über drei unabhängige Forschungsprojekte.
  • Veröffentlichung von drei Erstautorpublikationen in A&A und MNRAS (zusammen 45 Zitierungen).

Aus- und Weiterbildung

Aus- und Weiterbildung

2019 ? 2023
Promotion - Physik
Max?Planck?Institut für Astrophysik, LMU München

2016 ? 2018
Master of Science in Physik
Universität Heidelberg

2013 ? 2016
Bachelor of Science in Physik
Universität Heidelberg

Kompetenzen

Kompetenzen

Top-Skills

Python Data Scientist Machine Learning Pandas NumPy scikit-learn SciPy Matplotlib TensorFlow Statistische Modellierung Jupyter SQL Git Linux LaTeX Monte-Carlo-Simulationen Bayesianische Inferenz Regressionstest Zeitreihenanlyse

Produkte / Standards / Erfahrungen / Methoden

Profil
Computational Physicist mit Promotion am Max?Planck?Institut für Astrophysik und über 6 Jahren Erfahrung in der Entwicklung statistischer und simulationsbasierter Modelle für komplexe Systeme (Monte?Carlo?Methoden, Bayessche Inferenz, großskalige HPC?Datenanalyse). Autor von acht peer?reviewten Publikationen, fünf davon als Erstautor. Derzeit in der Transition in die quantitative Forschung im Finanzbereich, mit praktischen Projekten in der finanziellen Zeitreihenanalyse zu Volatilitätsmodellierung, Kalman?Filterung und statistischen Tests auf Marktdaten.

Technische Kenntnisse
  • Quantitative Grundlagen
    • Wahrscheinlichkeitstheorie, gewöhnliche und partielle Differentialgleichungen, lineare Algebra, Statistik, Optimierung
  • Statistische Methoden
    • Monte?Carlo?Simulationen, Bayessche Inferenz, MCMC, Gauss?sche Mischmodelle, multivariate Regression, Hypothesentests
  • Maschinelles Lernen
    • scikit?learn, TensorFlow, CNNs, GANs
  • Zeitreihenprognose
    • ARMA/ARIMA, GARCH, Kalman?Filterung, Stationaritäts? und Modelldiagnosetests (ADF, KPSS, Ljung?Box, Informationskriterien)
  • Entwicklungstools
    • Jupyter, Git/GitHub, Linux, LaTeX, Claude/Copilot (KI?gestützte Entwicklung)

Programmiersprachen

Mathematica
C++
SQL
statsmodels
Matplotlib
SciPy
NumPy
Pandas
Python


Einsatzorte

Einsatzorte

Frankfurt am Main (+500km)
Deutschland, Schweiz, Österreich
möglich

Projekte

Projekte

2024 ? 2026: Research

Kunde: Scuola Normale Superiore di Pisa (Italien)
Rolle: POSTDOKTORAND

Aufgaben:
  • Entwicklung einer 8.500?zeiligen Datenpipeline (Python, NumPy, Pandas) zur Verarbeitung mehrdimensionaler Simulationsausgaben auf HPC-Clustern.
  • Entwicklung eines neuartigen GMM?basierten Algorithmus zur räumlichen Trennung galaktischer Ausströme, erstmals ermöglicht durch direkten Vergleich simulierter Ausströme mit JWST/NIRSpec?Beobachtungsdaten für ?60.000 Galaxien.
  • Validierung des Algorithmus auf einem kontrollierten Testdatensatz: 0,6 % falsch?negative und 3,1 % falsch?positive Ergebnisse bei einem Amplitudenverhältnis von 100× zwischen den Komponenten.
2019 ? 2024: Research

Kunde: Max?Planck?Institut für Astrophysik Garching
Rolle: DOKTORAND/ POSTDOKTORAND

Aufgaben:
  • Konzeption und Durchführung einer maßgeschneiderten Monte?Carlo?Strahlungstransfer?Simulationspipeline zur Nachbearbeitung von 10.000 Galaxien aus 3 Snapshots der 134?TB?TNG50?Suite.
  • Optimierung der Simulationskonfiguration mittels Dynamikbereichsanalyse, wodurch der benötigte Monte?Carlo?Aufwand um den Faktor 50?100× reduziert wurde bei gleichzeitiger vollständiger Konvergenz.
  • Entwicklung eines semianalytischen Modells zur Berechnung der Lyman?Kontinuum?Entweichfraktion für 600.000 simulierte Systeme über 15 Zeitschritte, das populationsskalierte statistische Inferenz ermöglicht.
  • Ableitung eines geschlossenen Schätzers, der die Lyman?Kontinuum?Entweichfraktion über Bayessche Parameterschätzung mit BIC-Modellselektion mit makroskopischen beobachtbaren Größen verknüpft.
  • Entwurf und Implementierung durchgängiger Daten?, Simulations? und ML?Pipelines (?16.000 Zeilen Python: Pandas, NumPy, scikit?learn) über drei unabhängige Forschungsprojekte.
  • Veröffentlichung von drei Erstautorpublikationen in A&A und MNRAS (zusammen 45 Zitierungen).

Aus- und Weiterbildung

Aus- und Weiterbildung

2019 ? 2023
Promotion - Physik
Max?Planck?Institut für Astrophysik, LMU München

2016 ? 2018
Master of Science in Physik
Universität Heidelberg

2013 ? 2016
Bachelor of Science in Physik
Universität Heidelberg

Kompetenzen

Kompetenzen

Top-Skills

Python Data Scientist Machine Learning Pandas NumPy scikit-learn SciPy Matplotlib TensorFlow Statistische Modellierung Jupyter SQL Git Linux LaTeX Monte-Carlo-Simulationen Bayesianische Inferenz Regressionstest Zeitreihenanlyse

Produkte / Standards / Erfahrungen / Methoden

Profil
Computational Physicist mit Promotion am Max?Planck?Institut für Astrophysik und über 6 Jahren Erfahrung in der Entwicklung statistischer und simulationsbasierter Modelle für komplexe Systeme (Monte?Carlo?Methoden, Bayessche Inferenz, großskalige HPC?Datenanalyse). Autor von acht peer?reviewten Publikationen, fünf davon als Erstautor. Derzeit in der Transition in die quantitative Forschung im Finanzbereich, mit praktischen Projekten in der finanziellen Zeitreihenanalyse zu Volatilitätsmodellierung, Kalman?Filterung und statistischen Tests auf Marktdaten.

Technische Kenntnisse
  • Quantitative Grundlagen
    • Wahrscheinlichkeitstheorie, gewöhnliche und partielle Differentialgleichungen, lineare Algebra, Statistik, Optimierung
  • Statistische Methoden
    • Monte?Carlo?Simulationen, Bayessche Inferenz, MCMC, Gauss?sche Mischmodelle, multivariate Regression, Hypothesentests
  • Maschinelles Lernen
    • scikit?learn, TensorFlow, CNNs, GANs
  • Zeitreihenprognose
    • ARMA/ARIMA, GARCH, Kalman?Filterung, Stationaritäts? und Modelldiagnosetests (ADF, KPSS, Ljung?Box, Informationskriterien)
  • Entwicklungstools
    • Jupyter, Git/GitHub, Linux, LaTeX, Claude/Copilot (KI?gestützte Entwicklung)

Programmiersprachen

Mathematica
C++
SQL
statsmodels
Matplotlib
SciPy
NumPy
Pandas
Python


Vertrauen Sie auf Randstad

Im Bereich Freelancing
Im Bereich Arbeitnehmerüberlassung / Personalvermittlung

Fragen?

Rufen Sie uns an +49 89 500316-300 oder schreiben Sie uns:

Das Freelancer-Portal

Direktester geht's nicht! Ganz einfach Freelancer finden und direkt Kontakt aufnehmen.