Felix Schneppe

Gemeinsam mit dem Massenspektrometriehersteller Bruker Daltonics entwickele ich neue anwendungsreife Machine-Learning-Verfahren zur präzisen Peak-Quantifizierung in der Flüssigchromatographie-Massenspektrometrie (LC-MS)

Als Wissenschaftlicher Mitarbeiter der AG Inverse Probleme untersuchte ich, wie Fehler in der Adjungierten primal-duale Algorithmen beeinflussen und welche Bedingungen sinnvolle Resultate garantieren. Zudem leitete ich den Übungsbetrieb vieler Lehrveranstaltungen, darunter Grundlagenvorlesungen in Mathematik, Physik und Elektrotechnik sowie Spezialvorlesungen wie Mathematische Bild- und Datenverarbeitung. Während Corona erstellte ich Lehrvideos für einen YouTube-Kanal.

Als Praktikant beim Landmaschinenhersteller habe ich neben den Einblick in die Arbeit als Data Scientist auch eigene Projekte aus anderen Arbeitsgruppen des Unternehmens selbstständig und verantwortungsvoll bearbeiten dürfen. Zudem habe ich neben meiner Arbeit in Harsewinkel für einige Monate in Dissen an der Weiterentwicklung der vernetzten Maschinen aktiv mitgearbeitet. Belohnt wurde meine Arbeit mit einer Einladung in das Claas-eigene Talentprogramm.

Doktorarbeit über den Effekt von „Abweichungen in der Adjungierten im Kontext von primal-dualen Algorithmen“. Gezeigt wird, unter welchen Bedingungen an die Modellierung des Problems bekannte primal-duale Algorithmen weiterhin funktionieren, inwieweit sich die Abweichungen in der Lösung bemerkbar machen und wie sie praktisch anwendbar bleiben. Hierfür wurden weitere Algorithmen entwickelt und bewiesen, die unter den gegebenen Einschränkungen alle benötigten Daten berechnen können.

mit Spezialisierung in (numerischer) Analysis und Stochastik, insbesondere der Finanz- und Versicherungsmathematik Nebenfach: Informatik, insbesondere Software Engineering