Recommended expert
Musaib Parray
Forschungspraktikant – Erforschung von Schlussfolgerungen mit Diffusionsmodellen
Erfahrungen
Okt. 2025 - Bis heute
4 MonatenDeutschland
Forschungspraktikant – Erforschung von Schlussfolgerungen mit Diffusionsmodellen
Machine Learning and Perception Group, FAU Erlangen-Nürnberg
- Untersuchung der Äquivalenz zwischen dem Tiny Reasoning Model (TRM) und Diffusionsmodellen für strukturierte Schlussfolgerungsaufgaben wie Sudoku und Labyrinthlösungen.
- Erforschung der Schlussfolgerungs- und Generierungsfähigkeiten von Diffusionsmodellen in symbolischen Problemlösungsumgebungen.
Apr. 2025 - Aug. 2025
5 MonatenDeutschland
Machine Learning Lab – Autonomes Fahren & Generative Modelle
LMS, FAU Erlangen-Nürnberg
- Aufbau einer ML-Pipeline für autonomes Fahren in OpenAI Gymnasium, wobei aus Simulationsbildern und Steueraktionen gelabelte Datensätze erstellt wurden.
- Entwurf und Training leichter CNN- und RNN-Modelle für End-to-End-Steuerung sowie Implementierung von Modellkompression für Echtzeitinferenz.
- Entwicklung und Training eines Diffusionsmodells von Grund auf auf MNIST mit Implementierung von Entrauschen, Sampling und Bilderzeugung während der Inferenz.
Jan. 2025 - März 2025
3 MonatenDeutschland
Optimierung der Canny-Kantenerkennung (DSP-Laborprojekt)
LMS, FAU Erlangen-Nürnberg
- Implementierung der vollständigen Canny-Kantenerkennungspipeline in Python mit OpenCV, modulare Aufteilung wichtiger Schritte wie Gradientenberechnung und Hysterese-Schwellenwert.
- Leistungssteigerung durch Integration von CLAHE-Vorverarbeitung und mehrstufiger Gauß-Filterung zur Verbesserung von Kantenkontrast und Lokalisierung.
- Durchführung von Experimenten am BSDS500-Datensatz zur Analyse der Auswirkungen von Parameteranpassungen und der Kombination von Kanten auf mehreren Skalen.
Sept. 2022 - Mai 2023
9 MonatenIndien
Bachelorarbeit – EEG-Anfallserkennung mit CNN
Aligarh Muslim University
- Entwicklung eines CNN-basierten Modells zur Erkennung epileptischer Anfälle anhand von CHB-MIT-EEG-Daten.
- Vergleich von Zeitbereichs- und FFT-basierten Merkmalen mit besserer Leistung bei Frequenzbereichseingaben.
- Entwurf eines leichten CNN für die Echtzeitklassifikation von Anfallszuständen (Interiktal, Präiktal, Iktal).
Zusammenfassung
M.Sc.-Student im Fach Maschinelles Lernen in der Signalverarbeitung an der FAU Erlangen mit soliden Grundlagen in maschinellem Lernen, Signalverarbeitung und tiefen generativen Modellen. Erfahren in der Implementierung neuronaler Architekturen für Wahrnehmungs- und Generierungsaufgaben.
Fähigkeiten
- Programmierung: Python, Matlab, C++
- Bibliotheken & Frameworks: Pytorch, Numpy, Scipy, Gymnasium, Librosa
- Werkzeuge: Jupyter, Matlab, Git
- Bereiche: Deep Learning, Generative Modelle (Gans, Diffusionsmodelle), Reinforcement Learning, Audio- Und Bildverarbeitung, Adaptiven Filtern
- Weitere Fähigkeiten: Datenvisualisierung, Versionsverwaltung, Wissenschaftliches Schreiben
Sprachen
Englisch
VerhandlungssicherDeutsch
GrundkenntnisseAusbildung
Okt. 2023 - Bis heute
Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)
Master of Science, Nachrichten- und Multimediatechnik · Nachrichten- und Multimediatechnik · Erlangen, Deutschland
Okt. 2019 - Juni 2023
Aligarh Muslim University
Bachelor of Technology, Elektrotechnik · Elektrotechnik · Aligarh, Indien · Erste Division mit Auszeichnung, 8.95/10.0
Sie suchen Freelancer?Passende Kandidaten in Sekunden!
FRATCH GPT testenWeitere Aktionen
Ähnliche Freelancer
Entdecken Sie andere Experten mit ähnlichen Qualifikationen und Erfahrungen.