Data Scientist | Machine Learning Engineer
Data Scientist | Machine Learning Engineer
Data Scientist | Machine Learning Engineer
Data Scientist | Machine Learning Engineer
freelancermap GmbH
Internet, Onlinemedien
Berlin
- Art der Beschäftigung: Vollzeit
- 50.500 € – 64.000 € (von XING geschätzt)
- Vor Ort
- Zu den Ersten gehören
Data Scientist | Machine Learning Engineer
Über diesen Job
Data Science / Machine Learning Skills und Kenntnisse:
- Supervised, Unsupervised and Reinforcement Learning
- Machine Learning System Design
- Neural Networks
- Classification: Multiclass, Multilabel
- Linear / Logistic Regression
- Recommender Systems
- Sentiment Analysis
- Support Vector Machines
- Principal Component Analysis (PCA)
- Anomaly Detection
- K-Means (Clustering)
- Decision Trees. Random Forests
- u.v.m
- Deep Learning Specialization
- Neural Networks and Deep Learning
- Hyperparameter tuning, Regularization and Optimization
- Machine Learning Projects Structurization
- Convolutional Neural Networks
- Sequence Models
- Entwickelte Projekte und Aktivitäten:
- Automated Cattle Counting System: Object Detection und Tracking über Computer Vision und Neuronale Netze
- Stella: Georeferenziertes Wetterwarnsystem für die Landwirtschaft.
- Machine Learning (ML) fundamentals and types of ML algorithms. Vortrag/Klasse für das Philospher-Kolloquium
- Automated Trading Bot.
- Deep-Tic-Tac-Toe: Reinforcement Learning und Explainable AI. Pädagogisch
- Tools / Werkzeuge / Programmiersprachen
- Python
- Numpy
- Pandas
- Matplotlib
- Keras/Tensorflow
- OpenCV
- Jupyter Notebooks
- SQL. MySQL
- MATLAB
- Simulink
- Git
- Linux (Debian, Ubuntu)
Wind Energy / Windenergie Erfahrung:
- Fachkompetenz und Aufgaben: Entwicklung von Pitch-Antrieben sowie Umsetzung in elektrischem und mechanischem Design, Programmierung und Parametrierung von Pitch-Frequenzumrichtern, Digitaltechnik, Auswertung von SCADA-Daten, Signalverarbeitung, Fehler-Ursachen-Analyse, Aufbau und Betreuung von Prototypanlagen, Planung und Durchführung von Messungen und Tests, Ultrakondensatoren, Spezifikationen von Komponenten und Software, Modellbildung und Simulation.
- Ausgewählte entwickelte und implementierte Projekte:
- Alternative back-up system with ultracapacitors: End-to-End-Implementierung.
- Automated wind park data analyze: Automatisierung der Analyse der Sensordaten von Windturbinen zur Erkennung von Anomalien und Erzeugung statistischer Daten für Zertifizierungszwecke.
- Thermisches Nabenmodell: Modellentwicklung, -implementierung, -simulation und -validierung.
- Second source pitch system: Konzept und Implementierung eines alternativen Pitchsystems
- Frequency Converter Logic Simulator
- Überfachliche Qualifikationen: analytisches Denken, Flexibilität, Kreativität, Teamfähigkeit, Fremdsprachenkenntnisse (Englisch, Deutsch), Zielstrebigkeit, Selbstorganisation, Reisebereitschaft
- Digitaltechnik
- Nachrichtentechnik
- Signalverarbeitung
- Schaltpläne
- Physik, Modellen und Simulation
Sprachen
Deutsch
verhandlungssicher
Englisch
verhandlungssicher
Spanisch
Muttersprache
Projekthistorie
Data Science | Machine Learning | Elektrotechnik
Fachkompetenz und Aufgaben:
Data Science, Machine Learning, Scientific Programming, KI-Beratung, Vorträge.
Entwickelte Projekte und Aktivitäten:
◦ Automated Cattle Counting System: Object Detection und Tracking über Computer Vision und Neuronale Netze
◦ Machine Learning (ML) fundamentals and types of ML algorithms. Vortrag/Klasse für das Philospher-Kolloquium
◦ Automated Trading Bot.
◦ Deep-Tic-Tac-Toe: Reinforcement Learning und Explainable AI. Pädagogisch
◦ Stella: Georeferenziertes Wetterwarnsystem für die Landwirtschaft.
* Wichtigste angewandte Werkzeuge : Python (Numpy, Matplotlib, Pandas), Keras, OpenCv, Git, Jupyter Notebooks, SQL, Matlab, Linux.
Entwickelte Projekte und Aktivitäten:
◦ Automated Cattle Counting System: Object Detection und Tracking über Computer Vision und Neuronale Netze
◦ Machine Learning (ML) fundamentals and types of ML algorithms. Vortrag/Klasse für das Philospher-Kolloquium
◦ Automated Trading Bot.
◦ Deep-Tic-Tac-Toe: Reinforcement Learning und Explainable AI. Pädagogisch
◦ Stella: Georeferenziertes Wetterwarnsystem für die Landwirtschaft.
* Wichtigste angewandte Werkzeuge : Python (Numpy, Matplotlib, Pandas), Keras, OpenCv, Git, Jupyter Notebooks, SQL, Matlab, Linux.
Development and implementation of a medical classification software via statistical methods and Machine Learning
MIA Medical Information Analytics GmbH
Pharma und Medizintechnik
MIA Medical Information Analytics GmbH. Data Scientist, Machine Learning Developer.
Applied Technologies: Python, numpy, pandas, matplotlib, scikit-learn, Keras, FastAPI, NLP, tf-idf, Fasttext,
Linux, Git, Docker
Applied Technologies: Python, numpy, pandas, matplotlib, scikit-learn, Keras, FastAPI, NLP, tf-idf, Fasttext,
Linux, Git, Docker
Georeferenziertes Wetterwarnsystem für die Landwirtschaft.
Implementierungsdetails: Das System sammelt die Vorhersagedaten mehrerer Wetterdienste für einen bestimmten Standort, validiert sie (a posteriori) durch Benutzereingabe oder eine lokal installierte Wetterstation und lernt auf der Grundlage dieser Daten, Warnungen besser vorherzusagen. Es handelt sich also um ein maschinelles Online-Lernsystem. Es sendet Warnungen und Berichte über einen Telegramm-Bot.