R/Shiny Entwickler, Data Scientist und Statistik Berater

Ich arbeite seit 2017 mit R und war seitdem an mehreren Programmierprojekten beteiligt. In den letzten Jahren habe ich mich vor allem mit der Programmierung von interaktiven Webapplikationen mit shiny und der Paketprogrammierung in R beschäftigt.

• Data Mining
• Data Science
• Datenanalyse
• Deeplearning4j
• Maschinelles Lernen
• R (Programmiersprache)
• shiny
• Statistik (allg.)

Ich arbeite seit mittlerweile 5 Jahren mit R. Angefangen habe ich mit hauptsächlich explorativer Datenanalyse und Supervised-Learning-Problemen (mlr3, vetiver). In dieser Zeit habe ich umfangreiche Erfahrungen mit Tidyverse (dplyr, stringr, magrittr, purrr und auch data.table), funktionaler und objektorientierter Programmierung in R, Visualisierung (ggplot2, plotly, leaflet), automatisiertem Reporting (LaTeX, rmarkdown, knitr, officer), Webscraping (rvest) und interaktiven Webapps (shiny, bs4Dash) gesammelt.

Aktuell betreue ich zwei shiny Apps für einen Pharmakonzern, die vom Benutzer übermittelte Messdaten in eine Datenbank schreiben, grafisch auswerten und automatisiert einen Report erstellen können. Außerdem bin ich für die Pflege und Weiterentwicklung einer shiny App einer mittelständischen Unternehmensberatung verantwortlich, die verschiedene Datenauswertungsprozesse automatisiert. Über eine intuitive Web-Eingabemaske können Parameter übergeben werden, anhand derer die Daten aufbereitet und analysiert werden und die Ergebnisse in einer Powerpoint-Präsentation im kundenspezifischen Format und Stil dargestellt werden. Für ein Institut im Gesundheitswesen überarbeite ich derzeit R-Skripte, die automatisch Auswertungsergebnisse in Form von ca. 1.500 kundenspezifisch formatierten Word-Tabellen publikationsfertig abspeichern. Da diese Auswertungsroutinen jährlich durchgeführt werden müssen, können die Skripte mit minimalen Anpassungen wiederverwendet werden. Darüber hinaus sind zwei meiner R-Pakete auf GitHub öffentlich zugänglich und "tidyMC" auch auf CRAN. Das R-Paket "tidyMC" soll den gesamten Arbeitsablauf bei der Durchführung einer Monte-Carlo-Simulation im akademischen oder professionellen Umfeld vereinfachen. Das Paket "boostrq" ist im Rahmen einer wissenschaftlichen Veröffentlichung mit der Universität Passau entstanden. Das Paper befindet sich derzeit im Begutachtungsprozess.

Ich biete umfassende Dienstleistungen für die Entwicklung von Shiny-Apps an – von der Konzeptionierung über die tatsächliche Programmierung bis hin zum Deployment und der Wartung mithilfe von ShinyProxy, Docker, CI/CD und AWS.

Auf freelancermap finden Sie noch ausführlichere Informationen zu meinen aktuellen und vergangenen Projekten. Der Link ist am Ende der Seite angegeben.

Programmiersprache & Technologie:
R, SQL, Git, CI/CD, Docker, AWS EC2, AWS SageMaker, LaTeX, Jira

R Programmierung/Pakete:
- Paket Programmierung (devtools, usethis, roxygen2)
- interaktive Webapplikationen (shiny, bs4Dash, golem, bslib)
- Maschinelles Lernen, Deep Learning (mlr3, tidymodels, caret, tensorflow, vetiver)
- Datenaufbereitung (dplyr, data.table, magrittr, stringr, purrr, lubridate, dbplyr)
- Datenvisualisierung (ggplot2, plotly, ggiraph)
- Unit Tests/Assertions (checkmate, testthat, shinytest2)
- Reporting (rmarkdown, knitr, officer)
- Geodaten (osmdata, leaflet, sf)
- Webscraping (rvest)
- API-Abfragen (httr, httr2)
- Parallel Computing (future, furrr, promises)
- API-Entwicklung (plumber)
- Data Processing/Analysis pipelines (targets)
- Reproduzierbarkeit (renv, box)
- Deployment (shinyproxy, Docker, CI/CD, AWS EC2)

statistische/machinelearning Modelle:
Allgemeine lineare Modelle, gemischte Modelle, LASSO, Quantilsregression,
Zeitreihenmodellierung, Discriminant Analysis,
Entscheidungsbäume / Random Forests, Bagging, Modelbased & treebased Boosting,
Bootstrapping,
Multilayer Neuralnetworks, Convolutional Neural Network, Recurrent Neural Networks
Clusteranalyse, Hauptkomponentenanalyse,
Monte-Carlo-Simulationen