Über Mich

In diesem Projekt wurde ein hybrides Empfehlungssystem entwickelt, das sowohl Kursinhalte als auch Nutzerverhalten analysiert. Verschiedene Ansätze wie KNN, NMF und neuronale Netze wurden getestet. Besonders erfolgreich war ein tiefes neuronales Netzwerk zur Vorhersage von Kurspräferenzen. Die Modelle wurden auf Basis von RMSE-Werten bewertet. Ziel war eine skalierbare Lösung zur Steigerung von Lerninteresse und Plattformbindung.

Industrie: EdTech / Online Learning
Wirtschaftlicher Nutzen: Höhere Nutzerbindung und Abschlussquoten durch gezielte Kursvorschläge.
Ansatz: Empfehlungssystem (Content-based & Collaborative Filtering)

Eine Klassifikationsanwendung für Verkehrsschilder wurde mit einem trainierten Modell zur Erkennung von Stoppschildern realisiert. Die Web-App wurde in der IBM-Cloud bereitgestellt und ist weltweit verfügbar. Besonderes Augenmerk lag auf Robustheit und praktischer Nutzbarkeit. Die Lösung demonstriert moderne Computer Vision und Deployment-Kompetenz. Ideal als Bestandteil eines Portfolios für industrielle Anwendungen.

Industrie: Mobilität / Smart Infrastructure
Wirtschaftlicher Nutzen: Automatisierung visueller Erkennung in Verkehrssystemen.
Ansatz: Klassifikation (Convolutional Neural Network)

Ein Autoencoder wurde trainiert, um aus Bilddaten die wesentlichen Merkmale zu extrahieren und die Eingaben effizient zu rekonstruieren. Ziel war die Reduktion von Dimensionslast ohne Informationsverlust. Die Ergebnisse übertrafen klassische Methoden wie PCA. Eingesetzt wurde ein vollständig konnektiertes neuronales Netz. Das Modell eignet sich besonders für Bildklassifikation und Clustering-Vorverarbeitung.

Industrie: Bildverarbeitung / Forschung
Wirtschaftlicher Nutzen: Ressourceneffiziente Datenverarbeitung für große Bildmengen.
Ansatz: Dimensionsreduktion (Autoencoder, Unsupervised Learning)

Das Projekt fokussierte sich auf ein Regressionsmodell zur Vorhersage numerischer Zielgrößen mit Keras. Mehrere Optimierungsstrategien wurden getestet – von Datennormalisierung über erweiterte Trainingsläufe bis zu tieferen Netzarchitekturen. Die MSE-Werte konnten systematisch gesenkt werden. Besonders tiefe Modelle zeigten hohe Leistungsfähigkeit. Eine praxisnahe Fallstudie zur Modelloptimierung mit klaren Verbesserungsmetriken.

Industrie: Tech / Data Science Training
Wirtschaftlicher Nutzen: Genaue Vorhersagen mit geringen Fehlerwerten bei numerischen Zielgrößen.
Ansatz: Regression (Deep Learning mit Keras)

Ziel war die Entwicklung eines Klassifikators zur binären Vorhersage von Niederschlag. Dafür wurden Algorithmen wie KNN, SVM und Entscheidungsbäume implementiert. Die Ergebnisse wurden mithilfe von F1-Score, LogLoss und weiteren Metriken bewertet. Die besten Resultate erzielte SVM, dicht gefolgt von Random Forests. Das Projekt zeigt die Modellwahl als kritischen Erfolgsfaktor bei Wetterprognosen.

Industrie: Meteorologie / Agrarwirtschaft
Wirtschaftlicher Nutzen: Bessere Planungssicherheit für wetterabhängige Prozesse.
Ansatz: Klassifikation (SVM, KNN, Entscheidungsbäume)

In der Luft- und Raumfahrt wurde ein kompletter Datenanalyse-Workflow realisiert: Datenakquise, Bereinigung, Visualisierung und Modellierung. Ziel war es, kritische Einflussgrößen auf technische und betriebliche Kennzahlen zu identifizieren. Verschiedene prädiktive Modelle wurden evaluiert und optimiert. Die Ergebnisse unterstützten fundierte strategische Entscheidungen. Das Projekt demonstriert datengetriebene Prozessverbesserung auf hohem Niveau.

Industrie: Luft- und Raumfahrt / Engineering
Wirtschaftlicher Nutzen: Frühwarnsysteme und Effizienzsteigerung durch präzise Prognosen.
Ansatz: Regression & Klassifikation (Predictive Modelling)

Die Kursentwicklung und Umsatzzahlen von vier Tech-Unternehmen wurden analysiert und visuell aufbereitet. Dazu wurde yFinance zur Datenerhebung und Plotly zur Visualisierung eingesetzt. Das interaktive Dashboard erleichtert schnelle und fundierte Investitionsentscheidungen. Zielgruppe waren Start-ups im Finanzbereich. Das Projekt verbindet API-gestützte Analyse mit benutzerfreundlicher Darstellung komplexer Daten.

Industrie: Finanzwesen / Investment
Wirtschaftlicher Nutzen: Schnellere, datenbasierte Investmententscheidungen.
Ansatz: Zeitreihenanalyse & Visualisierung (Explorative Analyse)

Zur Detektion von Rissen in Betonstrukturen wurde ein ResNet-18-Modell auf 40.000 Bilder trainiert. Die Bildklassifikation funktionierte auch unter schlechten Lichtverhältnissen zuverlässig. Das Projekt zeigt den Nutzen von Transfer Learning für strukturelle Qualitätssicherung. Eine robuste Pipeline zur Datenverarbeitung und Evaluation wurde aufgebaut. Das Modell bildet die Basis für autonome Bauwerksüberwachung.

Industrie: Bauwesen / Infrastrukturüberwachung
Wirtschaftlicher Nutzen: Automatisierte Inspektion reduziert Kosten und Risiken.
Ansatz: Klassifikation (Transfer Learning mit CNN)

Kundendaten wurden mithilfe von Entscheidungsbäumen, Random Forest und XGBoost analysiert. Ziel war die Vorhersage kritischer Ereignisse wie Kündigung oder Zahlungsausfall. Random Forest zeigte die höchste Stabilität und Genauigkeit. Die Ergebnisse ermöglichen proaktive Kundenbindung und Risikominimierung. Das Projekt unterstreicht die Relevanz von Predictive Analytics im Finanzsektor.

Industrie: Finanzdienstleistungen / Banken
Wirtschaftlicher Nutzen: Höhere Kundentreue und geringere Ausfallrisiken.
Ansatz: Klassifikation (Random Forest, XGBoost)

Mehr als zwei Millionen Verkaufsdaten wurden analysiert, um Einkaufsverhalten, Saisontrends und Produktkombinationen zu verstehen. Clustering-Algorithmen segmentierten Kunden nach Verhalten. Die Ergebnisse ermöglichen personalisierte Marketingaktionen und dynamische Preisgestaltung. Zusätzlich wurden Warenkorb-Analysen für Cross-Selling genutzt. Ein datenbasiertes Fundament für Handelsstrategien wurde geschaffen.

Industrie: Einzelhandel / Konsumgüter
Wirtschaftlicher Nutzen: Umsatzsteigerung durch datengetriebene Sortiments- und Preisstrategien.
Ansatz: Clustering, Warenkorbanalyse & Zeitreihenanalyse

Ziel war die Entwicklung eines hybriden Systems zur Objekterkennung in Bildern. Haar-Cascades lieferten schnelle Ergebnisse für einfache Objekte. Faster R-CNN ermöglichte genaue Erkennung auch in komplexen Szenen. Die Kombination beider Verfahren balanciert Genauigkeit und Rechenaufwand. Eingesetzt wurden vortrainierte Modelle auf dem COCO-Datensatz. Ein leistungsstarkes Framework für visuelle Intelligenzsysteme.

Industrie: Computer Vision / Sicherheitstechnik
Wirtschaftlicher Nutzen: Automatisierung visueller Überwachung und Navigation.
Ansatz: Objekterkennung (Faster R-CNN, Haar-Cascade)

Ein sechsstufiges Klassifikationssystem wurde mithilfe Fully Connected Neural Networks und Clustering entwickelt. Das Modell bewertet die Lebenshaltungskosten auf Landkreisebene. Eingespeiste Merkmale umfassen Einkommen, Mieten, Arbeitslosenquoten und mehr. Die besten Modelle erreichten über 71 % Genauigkeit. Ideal als Entscheidungsgrundlage für Politik, Wirtschaft und Standortplanung.

Industrie: Standortplanung / Public Policy
Wirtschaftlicher Nutzen: Bessere Allokation von Fördermitteln und Investitionen.
Ansatz: Klassifikation (Fully Connected Neural Networks)