Im Zuge der Neuentwicklung einer Steuerungsanwendung mit C# und WPF wurde die Entwicklung von neuen Features unterstützt. Dabei wurden neue Features zur Bedienung und Auswertung der Messvorgänge implementiert, unter Berücksichtigung einer verbesserten Benutzerführung und Stabilität der Anwendung. Im Zuge der Weiterentwicklung wurde die bestehende Codebasis überarbeitet und einzelne Komponenten durch moderne, wartbare Strukturen ersetzt. Parallel dazu wurde der Build-, Test- und Deployment-Prozess überarbeitet und ausgebaut, was zu einer deutlich gesteigerten Effizienz in der Entwicklung und Auslieferung führte. Darüber hinaus wurden automatisierte GUI-Tests eingeführt, um langfristig eine höhere Testabdeckung, Stabilität und Regressionssicherheit zu gewährleisten. Die enge Zusammenarbeit mit dem QA-Team sowie regelmäßige Code-Reviews unterstützten eine nachhaltige Qualitätssteigerung der gesamten Anwendung.
Projektaufgaben
Projektaufgaben
Für ein führendes Industrieunternehmen mit den Schwerpunkten in der Gebäude- und Fabrikautomation wurde eine Lizenzverwaltungsanwendung implementiert. Mit Hilfe der Lizenzverwaltungsanwendung werden unternehmerische Stammdaten, Nutzerdaten und Software-Lizenzen gesammelt sowie verwaltet. Die Anwendung bildet einen eigenen Software Asset Management-Prozess ab. Das UI Design der Anwendung wurde durch Shapefield UX Designer gestaltet und basierte auf einem vorhandenen Design System, welches bereits für andere Softwareprodukte verwendet wird. Die Lizenzverwaltungsanwendung selbst wurde u.a. mittels .NET, WPF, XAML, C#, Prism, Entity Framework, MSSQL, LINQ und Git implementiert.
Aufgaben und Verantwortungen
Für einen führenden IT-Dienstleister wurde ein Generator entwickelt, welcher auf Basis bestimmter Parameter eine grundlegende WPF Library zur Control- sowie Anwendungsentwicklung erzeugt. Der Generator wurde u.a. mit .NET, WPF, XAML, C#, LINQ und Prism implementiert.
Aufgaben und Verantwortungen
Maschinelles Lernen gewinnt in der Medizin zunehmend an Bedeutung. Besonders im Bereich der Krebsdiagnostik führt ein computerunterstütztes Erkennen von auffälligen Zellstrukturen zu enormen zeitlichen Einsparungen. Im Hinblick auf Tumore im Bereich des Kehlkopfes, welche histologisch mittels aufwendigem Verfahren diagnostiziert werden, kann eine neuronale Netzarchitektur, die in der Lage ist, Zellen zu klassifizieren, von großem Nutzen sein. In diesem Projekt wurde die Eignung eines solchen Verfahrens überprüft, indem ausgewählte neuronale Faltungsnetze anhand von zytologischem Bildmaterial trainiert wurden. Mit dem Ziel, eine möglichst hohe Sensitivität in der Erkennung von Krebszellen zu erreichen, wurden Experimente mit einer U-Net-, V-Net- und FPN- Architektur durchgeführt. Dies geschah anhand einer Kreuzvalidierung, womit im Rahmen der Qualitätssicherung zunächst geprüft wurde, ob sich alle drei Architekturen für den verwendeten Datensatz eignen. Im Folgenden wurde der Bilddatensatz durch Daten-Augmentierung vergrößert und die wenig balancierten Klasseninstanzen in ein besseres Gleichgewicht gebracht. Die Ergebnisse der trainierten Modelle wiesen eine hohe Stabilität in Bezug auf die Erkennung von Krebszellen auf, jedoch zugleich auch eine schwache Performanz bei Bildern mit ausschließlich gesunden Zellen.
Aufgaben und Verantwortungen
Werdegang:
Skills:
Branchen
Bildung
Technologien
Programmiersprachen
Auszeichnungssprachen
Tools UX Design
Tools Entwicklung
Tools Organisation
Betriebssysteme
Sprache
Im Zuge der Neuentwicklung einer Steuerungsanwendung mit C# und WPF wurde die Entwicklung von neuen Features unterstützt. Dabei wurden neue Features zur Bedienung und Auswertung der Messvorgänge implementiert, unter Berücksichtigung einer verbesserten Benutzerführung und Stabilität der Anwendung. Im Zuge der Weiterentwicklung wurde die bestehende Codebasis überarbeitet und einzelne Komponenten durch moderne, wartbare Strukturen ersetzt. Parallel dazu wurde der Build-, Test- und Deployment-Prozess überarbeitet und ausgebaut, was zu einer deutlich gesteigerten Effizienz in der Entwicklung und Auslieferung führte. Darüber hinaus wurden automatisierte GUI-Tests eingeführt, um langfristig eine höhere Testabdeckung, Stabilität und Regressionssicherheit zu gewährleisten. Die enge Zusammenarbeit mit dem QA-Team sowie regelmäßige Code-Reviews unterstützten eine nachhaltige Qualitätssteigerung der gesamten Anwendung.
Projektaufgaben
Projektaufgaben
Für ein führendes Industrieunternehmen mit den Schwerpunkten in der Gebäude- und Fabrikautomation wurde eine Lizenzverwaltungsanwendung implementiert. Mit Hilfe der Lizenzverwaltungsanwendung werden unternehmerische Stammdaten, Nutzerdaten und Software-Lizenzen gesammelt sowie verwaltet. Die Anwendung bildet einen eigenen Software Asset Management-Prozess ab. Das UI Design der Anwendung wurde durch Shapefield UX Designer gestaltet und basierte auf einem vorhandenen Design System, welches bereits für andere Softwareprodukte verwendet wird. Die Lizenzverwaltungsanwendung selbst wurde u.a. mittels .NET, WPF, XAML, C#, Prism, Entity Framework, MSSQL, LINQ und Git implementiert.
Aufgaben und Verantwortungen
Für einen führenden IT-Dienstleister wurde ein Generator entwickelt, welcher auf Basis bestimmter Parameter eine grundlegende WPF Library zur Control- sowie Anwendungsentwicklung erzeugt. Der Generator wurde u.a. mit .NET, WPF, XAML, C#, LINQ und Prism implementiert.
Aufgaben und Verantwortungen
Maschinelles Lernen gewinnt in der Medizin zunehmend an Bedeutung. Besonders im Bereich der Krebsdiagnostik führt ein computerunterstütztes Erkennen von auffälligen Zellstrukturen zu enormen zeitlichen Einsparungen. Im Hinblick auf Tumore im Bereich des Kehlkopfes, welche histologisch mittels aufwendigem Verfahren diagnostiziert werden, kann eine neuronale Netzarchitektur, die in der Lage ist, Zellen zu klassifizieren, von großem Nutzen sein. In diesem Projekt wurde die Eignung eines solchen Verfahrens überprüft, indem ausgewählte neuronale Faltungsnetze anhand von zytologischem Bildmaterial trainiert wurden. Mit dem Ziel, eine möglichst hohe Sensitivität in der Erkennung von Krebszellen zu erreichen, wurden Experimente mit einer U-Net-, V-Net- und FPN- Architektur durchgeführt. Dies geschah anhand einer Kreuzvalidierung, womit im Rahmen der Qualitätssicherung zunächst geprüft wurde, ob sich alle drei Architekturen für den verwendeten Datensatz eignen. Im Folgenden wurde der Bilddatensatz durch Daten-Augmentierung vergrößert und die wenig balancierten Klasseninstanzen in ein besseres Gleichgewicht gebracht. Die Ergebnisse der trainierten Modelle wiesen eine hohe Stabilität in Bezug auf die Erkennung von Krebszellen auf, jedoch zugleich auch eine schwache Performanz bei Bildern mit ausschließlich gesunden Zellen.
Aufgaben und Verantwortungen
Werdegang:
Skills:
Branchen
Bildung
Technologien
Programmiersprachen
Auszeichnungssprachen
Tools UX Design
Tools Entwicklung
Tools Organisation
Betriebssysteme
Sprache