Stelle: Data Scientist @ SDSC & Doktorand (am TECO) im MERAGEM (http://www.meragem.kit.edu/) Projekt

Studium: Informationswirtschaft M.Sc.

Schwerpunkte: Gradienten basiertes Lernen (Neuronale Netze), ableitungsfreie Optimierung (bayesianische Optimierung)

Ich habe am KIT Informationswirtschaft mit einem Schwerpunkt auf maschinelles Lernen und Datenanalyse studiert. Zusätzlich konnte ich im Rahmen meiner Tätigkeit als wissenschaftliche Hilfskraft am TECO Erfahrungen in Datenanalyse Projekten mit verschiedenen Firmen sammeln.

Seit 2017 bin ich Data Scientist im SDSC und Promotionsstudent im Graduiertenkolleg MERAGEM.

Als Data Scientist im SDSC begleite ich die Analyseprojekte von Anfang an. Hierbei steht zu Beginn des Projekts zunächst die Findung und Klärung der Fragestellung im Vordergrund. Die wichtigsten Aspekte sind dabei ein gemeinsames Verständnis des Projektziels zu erhalten, sowie den Kunden über mögliche Ansätze, deren Datenbedarf, und potenziell resultierende Projektergebnisse aufzuklären. Im nächsten Schritt erfolgt die technisch/mathematische Modellierung einer Lösung gemeinsam mit meinen Kollegen. Erste Resultate und Ansätze werden daraufhin dem Kunden vorgestellt und im Kontext des Projektziels validiert. Nach Validierung erfolgt die finale Ausarbeitung sowie abschließend die Präsentation der Projektergebnisse.

In meiner Forschung beschäftige ich mich aktuell mit Lernalgorithmen um Neuronale Netze in (Inkjet) gedruckter Elektronik umzusetzen. Bei Inkjet gedruckter Elektronik entfällt im Gegensatz zu den meisten Herstellungsverfahren die (teure) Fertigung einer Maske, wodurch auch in geringen Losgrößen ohne hohe Rüstkosten produziert werden kann. Beim Design von gedruckter Elektronik müssen je nach Technologie verschiedene Aspekte wie hohe Variationen und ein relativ langsames Schaltverhalten berücksichtigt werden. Durch die Approximation der gewünschten Schaltfunktion mit Neuronale Netzen (neuromorphe Schaltungen) kann das Design auf Basis einer reinen Spezifikation von Daten des input-output Verhaltens gelernt werden. Hierdurch entfällt der Designaufwand und produktionsbedinge Variationen können direkt beim Lernen der Schaltung miteinbezogen werden.
Weiterhin interessiere ich mich für ableitungsfreie Optimierungsverfahren, insb. für bayesianische Optimierung. Hierbei handelt es sich um ein sehr allgemeines Optimierungsverfahren mit dem rein auf Basis eines Zielkriteriums ein Prozess optimiert werden kann. Anwendungsbeispiele reichen dabei von der Kalibrierung von Sensoren, über die Auswahl eines geeigneten maschinellen Lernverfahrens für ein gegebenes Problem, bis zum Finden des besten Rezepts für Schokoladenkekse.

Ich würde mich freuen Sie im Rahmen eines unserer Projekte kennenzulernen.