de
es
fr
Keywords
Skills
- Big Data Analytics & Business Intelligence (Spark, SQL, NoSQL, Excel, various visualisation tools, Jupyter Notebooks)
- Data Science, Time Series, Machine Learning Engineering (Python, Java, Pandas, Scikit Learn, Tensorflow, PyTorch)
- Complete planning and implementation of Data Science projects (problem formulation, goal setting, technical communication, implementation, evaluation, monitoring and maintenance)
- Implementation of complex ETL jobs and data transformations (batch and online processing), real-time datastream processing
- Other skills (incomplete list): C++, Javascript, Flutter, Git, Docker, Apache Kafka, Apache Hive, Hadoop MapReduce, Bash, Python Flask, REST API, Scrum, Amazon Web Services, Google Cloud, Redis, MySQL, PostgreSQL, MongoDB, Apache Cassandra
Project history
01/2015
-
06/2016
Data Scientist, Data Engineering
Adrule GmbH
(< 10 employees)
Marketing, PR and Design
Conceptual design and implementation of a data warehouse infrastructure in the Google Cloud. Creation of ETL jobs to make unstructured data easy to analyse. Analysis and visualization of historical business data.
Technologies used: Python Machine Learning Stack (Pandas, Scikit Learn), Google Cloud, Google Big Query, MySQL, Apache Spark.
Technologies used: Python Machine Learning Stack (Pandas, Scikit Learn), Google Cloud, Google Big Query, MySQL, Apache Spark.
03/2013
-
10/2014
Machine Learning Engineer
MBR Targeting
(10-50 employees)
Internet and Information Technology
Design, coordination and implementation of a real-time bidding system for online marketing to predict click and conversion probabilities. For this purpose, various specialised real-time machine learning algorithms with different objectives were developed and put into live operation.
Technologies used: Apache Hadoop, Apache Hive, Apache Spark, Redis, PostgresQL, Python Machine Learning Stack consisting of Pandas, Scikit-Learn and C++ (to accelerate individual Python program parts).
Technologies used: Apache Hadoop, Apache Hive, Apache Spark, Redis, PostgresQL, Python Machine Learning Stack consisting of Pandas, Scikit-Learn and C++ (to accelerate individual Python program parts).
05/2012
-
08/2014
Data Scientist
Hitfox GmbH
(50-250 employees)
Internet and Information Technology
Planning and implementation of a business intelligence reporting pipeline, including predictive functionality for the following days of a week.
Technologies used: Python Machine Learning Stack (Pandas, Scikit Learn), AWS Redshift, AWS, MySQL.
Technologies used: Python Machine Learning Stack (Pandas, Scikit Learn), AWS Redshift, AWS, MySQL.
Time and spatial flexibility
Location: 100% remote (on-site only irregularly possible under certain circumstances)
Other
Angebotene Dienstleistungen
Planung, Koordination und Umsetzung von Big Data Analytics Projekten:
Kommunikation, Zielformulierung, Datenbeschaffung und Aufbereitung (ETL), Sicherstellung einer soliden Datenqualität, zuverlässiger Betrieb der Analyse-Prozesse, Visualisierung und Reporting zur sicheren & schnellen Beurteilung von Analyse-Ergebnissen. Herstellerunabhängige Beratung zur Auswahl von Softwares und Tools mit dem besten Kosten-Nutzen Verhältnis für den Kunden.
Data Science / Machine Learning Engineering
Vollständige Umsetzung des sogenannten Data Science Prozesses. Dieser gliedert sich in folgende Schritte:
Planung, Koordination und Umsetzung von Big Data Analytics Projekten:
Kommunikation, Zielformulierung, Datenbeschaffung und Aufbereitung (ETL), Sicherstellung einer soliden Datenqualität, zuverlässiger Betrieb der Analyse-Prozesse, Visualisierung und Reporting zur sicheren & schnellen Beurteilung von Analyse-Ergebnissen. Herstellerunabhängige Beratung zur Auswahl von Softwares und Tools mit dem besten Kosten-Nutzen Verhältnis für den Kunden.
Data Science / Machine Learning Engineering
Vollständige Umsetzung des sogenannten Data Science Prozesses. Dieser gliedert sich in folgende Schritte:
- Problemidentifizierung (erfordert Einbindung verantwortlicher Stakeholder)
- Unmissverständliche Zielformulierung und Planung (erfordert Einbindung verantwortlicher Stakeholder)
- Datenbeschaffung, -aufbereitung, -transformation, -bereinigung
- Modellierung und/oder ermitteln des passenden Vorhersagealgorithmus, Objektive Performance Evaluation
- Implementierung in den Live-Betrieb / Deployment
- Monitoring und Maintenance