Data Scientist

7/2022 – 8/2022

Interne Entwicklung verschiedener Use Cases zur Etablierung von MLOps Praktiken und Sicherung von Wissen

Dieses Projekt dient primär dem Wissenstransfer aus vorherigen Projekten. Ziel ist es, das erlernte Wissen in Form verschiedener Use Cases intern zu festigen und zu vermitteln. Es werden verschiedene Tools aus den Bereichen Softwareentwicklung, DevOps, MLOps und Cloud getestet und verwendet.

- Wissensvermittlung- und sicherung
- Entwicklung verschiedener Use Cases bzw. End-to-End ML Projekte
- Umsetzung verschiedener Konzepte in der Cloud

Methoden:
- Allgemeine Programmierung
- Datenanalyse
- Data Mining
- Statistische Analyse
- Datenmanagement
- Datenvisualisierung
- Machine Learning
- DevOps
- MLOps

Tools & Libraries:
- Python
- SQL
- DVC
- Git
- Cloud
- Tools für MLOps (ergeben sich während der Projektarbeit)

Data Science, DevOps, Jenkins, Python

1/2022 – 12/2022

Aufbau von Data Science Schulungen und Workshops

Dieses Projekt umfasst den Aufbau eines Pools an Data Science Schulungen und Workshops. Initiieren konnte ich diesen Schritt durch ein Projekt, in dem ich/wir Workshops in den Bereichen Python Basics, Data Science mit Python und Machine Learning mit Python für einen IT-Dienstleister aus der Medienbranche geben durften.

- Einsatz zahlreicher Technologien und Methoden, um die Themen ausreichend zu lehren
- Aufbau von Workshops, deren Inhalten, sowie deren didaktischer Umsetzung
- Umsetzung der Workshops mit Teilnehmergruppen bis zu 15 Personen
- Sukzessive Weiterentwicklung des Workshop-Pools

Methoden:
- Allgemeine Programmierung
- Datenanalyse
- Data Mining
- Statistische Analyse
- Datenmanagement
- Datenvisualisierung
- Machine Learning
- Erwachsenenbildung

Tools & Libraries:
- Python
- SQL
- Pandas
- Numpy
- SQLAlchemy
- Matplotlib
- Seaborn
- Plotly
- PowerPoint
- VS Code
- DBeaver

Aus- / Weiterbildung, Data Science, Funktionale Programmierung, Python, SQL, Workshop - Kundenorientierung

1/2020 – 6/2022

Pünktlichkeitsoptimierung von Fernverkehrszügen im gesamten deutschen Zugnetz

Dieses Projekt umfasst die gesamte Bandbreite an Data Science Aktivitäten. Eine Monte-Carlo- Simulation wird verwendet, um die Pünktlichkeit von Zügen vorherzusagen. Machine Learning Modelle werden verwendet, um wichtige KPIs zu berechnen und vorherzusagen. Darüber hinaus werden verschiedene Datenquellen aus dem gesamten Konzern konsolidiert und über komplexe ETL- Ströme verarbeitet. Die Ergebnisse werden der Managementebene in Form von interaktiven Visualisierungen und Dashboards zur Verfügung gestellt. Die agile Entwicklung erfolgt durchgehend in Scrum und Jira.

- Einsatz einer Monte-Carlo-Simulation zur Vorhersage der Zugpünktlichkeit
- Machine Learning Modelle zur Berechnung und Vorhersage wichtiger KPIs
- Aufbau umfangreicher Daten- und Analysepipelines mit Jenkins, Python, SQL und Gitlab
- Konsolidierung verschiedener Datenquellen zu einer einzigen, eindeutig nutzbaren Datenquelle
- Präsentation der Ergebnisse an das Management in Form u.a. von interaktiven Visualisierungen und Shiny Dashboards
- Versionskontrolle mit Git
- Agile Entwicklung in Scrum und Jira
- Wissensmanagement in Confluence

Methoden:
- Data Mining
- Statistische Analyse
- Datenmanagement
- Datenvisualisierung
- Simulation
- Machine Learning
- Data Engineering
- DevOps
- CI/CD
- Scrum

Tools:
- R Studio Server
- VSCode
- DBeaver
- Python
- SQL
- Spark
- Tidyverse
- Plotly
- R Shiny
- Leaflet
- psycopg2
- Git
- DVC
- Jenkins
- Linux/WSL

Big Data, Confluence, DevOps, Jenkins, Jira, Continuous Integration, Maschinelles Lernen, Python, R (Programmiersprache), SQL