IT-Consultant

1/2020 – 2/2020

Ich habe als Teil eines vierköpfigen, agilen Teams prototypisch ein Vorschlagssystem zur differenzierten Kategorisierung von Produkten aufgrund deren deutschsprachiger Produktbeschreibungen mit Python, unter Anwendung verschiedener Machine Learning Modelle, als REST-ähnlichen Microservice entwickelt. Zur Speicherung und Umstrukturierung der Daten haben wir PostgreSQL verwendet. Ich habe im Team den Teil der Entwicklung verschiedener Neuronaler Netze (CNN, LSTM) zur Textklassifizierung mit Tensorflow und Keras übernommen und bei der Entwicklung verschiedener Feature- Transformationsmethoden ebenso mitgewirkt, wie bei der vergleichenden Entwicklung diverser gängiger Machine Learning Modelle mit Scikit-Learn. Ich war weitergehend für deskriptive Datenanalysen und Visualisierungen zuständig, welche ich mit den gängigen Data Science Tools NumPy, Pandas und Seaborn in Python umgesetzt habe. Zum Deployment haben wir die Anwendung mit einem Docker-Container umgesetzt, in dem wir mit dem Flask- Framework eine REST-ähnliche Schnittstelle bereitstellen. Dabei habe ich die Docker-Containerisierung weiterentwickelt und umstrukturiert. Zur Versionsverwaltung haben ich und mein Team Git verwendet, wobei ich für die Aufbereitung des Repositorys und deren Dokumentation zuständig war. Als Entwicklungsumgebung habe ich Spyder benutzt.

Keras, Pandas DataFrame, Scikit-learn, TensorFlow, Docker, Git, Python, Django (Framework)

12/2019 – 1/2020

In diesem Projekt habe ich mittels Java und dem Spring Framework eine Webanwendung entwickelt, die zur Verwaltung von Aufgaben dient und als personalisierte To-Do Liste eingesetzt werden kann. Durch meine Anwendung konnten sich die Nutzer einen eigenen Account erstellen und sich zu beliebigen Themen editierbare To-Do Notizen erstellen. Zusätzlich ermöglicht meine Anwendung auch die Änderung des Status der Aufgaben. Zum Templating habe ich Thymeleaf verwendet, während ich das Frontend mit HTML, CSS und Javscript/jQuery umgesetzt habe. Besonders wichtig war mir bei der Implementierung der Anwendung deren Sicherheit, welche ich unter Verwendung von Spring Security und SSL/HTTPS gewährleistet habe. Zur Verwaltung und Speicherung der Daten habe ich MySQL eingesetzt. Zusätzlich zur Java-Implementierung habe ich die Anwendung auch in Python mit dem Django-Framework umgesetzt. Zur Containerisierung der Anwendung habe ich Docker und Podman verwendet. Als Entwicklungsumgebung habe ich Eclipse und Spyder benutzt. Die Datenbankschnittstelle wurde aus Hibernate/JPA benutzt.

mySQL, Docker, Hibernate (Java), Java (allg.), Python, Spring, Ajax, CSS (Cascading Style Sheet), Django (Framework), HTML, JavaScript, jQuery

5/2019 – 12/2019

Im Rahmen dieses Projektes habe ich Python-Skripte zur Datenbeschaffung und -aufbereitung eines Textkorpus sowie zur Feature-Transformation und Multilabel-Klassifikation der Texte anhand ihrer Tags verwendet. Dabei habe ich verschiedene Feature-Transformationsmethoden mit Hilfe der Python-Bibliothek Gensim implementiert und verglichen. Ebenso habe ich unterschiedliche Machine Learning Modelle zur Multilabel-Klassifikation erstellt, um auch diese umfassend evaluieren und vergleichen zu können. Dafür verwendete ich die Bibliotheken Scikit-Learn und Scikit-Multilearn, sowie Keras zur Entwicklung eines Convolutional Neural Networks mit Deep Learning Technologien. Mit den Bibliotheken NumPy und Pandas habe ich dabei die Daten verwaltet. Für verschiedene Visualisierungen und deskriptive Datenanalysen, sowie zur Evaluation der Klassifikationsergebnisse habe ich die Programmiersprache R mitsamt der tidyverse-Bibliothek eingesetzt. Als Entwicklungsumgebungen habe ich Jupyter Notebook und RStudio verwendet.

Keras, Pandas DataFrame, Scikit-learn, LaTex, Python