Machine Learning Engineer Praktikant

Gaussian-Centered Cropping für kontrastives Lernen – Computer Vision, PyTorch, Unüberwachtes Lernen, CNNs

• Vorgeschlagenes Gaussian-Centered Cropping (GCC) zur Reduzierung von False Positives im SSL.
• +2,7–12,4 Prozentpunkte höhere Genauigkeit im Vergleich zu RandomCrop ohne zusätzlichen Rechenaufwand.
• Preprint: Taming the Randomness – [arXiv link]

Multimodale Sentiment-Analyse mittels Emotional Embeddings – NLP, LLM, Transformer, LSTM

• Einsatz emotionaler Embeddings von GoEmotions zur Klassifikation von Yelp-Bewertungen.

• Nachgewiesen, dass Transfer Learning Sentiment-Signale domänenübergreifend erhält.

• Energiesysteme: Prüfung & Inbetriebnahme, HV/MV/LV-Systeme, CT/VT

• Schutzsysteme: Relaiskonfiguration (ABB, GE, Schneider, Alstom), SCADA

• Daten & Modellierung: SQL, MySQL, Feature Engineering, Statistik, Predictive Modellierung, Python (NumPy, Pandas, SciPy), R

• RAG & LLMs: LangChain, ChromaDB, LlamaIndex, Hugging Face Transformers

• Modell-Deployment & MLOps: FastAPI, Docker, Kubernetes, AWS Cloud (SageMaker, EC2, S3), MLflow, Git, CI/CD-Pipelines

• Multimodale KI: Computer Vision, NLP, Audioverarbeitung, 3D-Meshes/Punktwolken

• Visualisierung: Tableau, Plotly, Matplotlib, Seaborn