Greater Tubingen Area
Hi, ich heiße Michi und ich bin Mathematiker und Ingenieur mit einem tiefgreifenden Interesse an Stochastik, Machine Learning und Data Science. Außerdem liebe ich es, Probleme zu lösen – am liebsten mit Code und auf datengetriebene Weise. Während meines Studiums in Mathematik (mit Anwendungsfach Informatik) habe ich mich größtenteils auf angewandte Mathematik (Wahrscheinlichkeitstheorie, Statistik, Numerik, Optimierung) spezialisiert und diese mit Vorlesungen im Bereich Machine Learning/Data Science (Deep Learning, Computer Vision, Probabilistic Machine Learning, etc.) kombiniert. Meine Forschung für meine Doktorarbeit ist im Bereich "Learning-to-Optimize" (ähnlich zu "Meta-Learning") angesiedelt, d.h. das Ziel ist es, Optimierungsalgorithmen mittels Machine Learning zu beschleunigen (Beispiel: Man trainiert ein kleineres neuronales Netz, dass in der Lage ist, andere (größere) neuronale Netze schnell zu trainieren). Das klingt harmlos, ist allerdings sehr schwierig, denn: 1. die Probleme können sehr hoch-dimensional sein, 2. der trainierte Algorithmus muss eine ganze Folge (typischerweise mehrere Hundert/Tausend) von Vorhersagen treffen, d.h. der Output des Algorithmus ist auch gleichzeitig wieder sein Input und nur das Endergebnis ist entscheidend, 3. das Ziel des Algorithmus ist mathematisch klar definiert und dieses muss bewiesernermaßen (im Sinne eines mathematischen Beweises) erreicht werden (besonders entscheidend für sicherheitskritische Anwendungen, z.B. in der medizinischen Diagnostik). Hierfür habe ich einerseits ein stochastisches Modell (basierend auf Markov-Prozesse) theoretisch hergeleitet, darauf aufbauend ein neues Lernverfahren entwickelt und implementiert (in Python und PyTorch; s. GitHub), und zusätzlich auch die entsprechende Garantien bewiesen. Vor meinem Mathestudium habe ich einen Bachelor in Medizintechnik absolviert, wodurch ich meine Leidenschaft für Mathematik und Programmieren erst richtig entdeckt habe. Und in meiner Freizeit treibe ich gerne Sport, lese viel, programmiere gern, treffe mich mit Freunden, oder spiele Spiele.
- Abschluss mit "Magna cum laude" - Lernen von Optimierungsalgorithmen mit mathematischen Konvergenzgarantien - Datengetriebene Beschleunigung von Optimierungsalgorithmen - Verallgemeinerungsgarantien mittels PAC-Bayesian Analysis - Stochastische Modellierung von Optimierungsalgorithmen mittels Markov'scher Prozesse - Eigene Vorlesung/Praktikum: "Introduction to Python with Applications in Data-Science" und "Practical for Statistical Learning"
Eigene Vorlesung im Bereiche "Python for Data Science" - Grundlagen in Python (Variablen, Datenstrukturen, Kontrollstrukturen, Funktionen, etc.) - Effiziente Implementierung mittels NumPy - Visualisierung mittels Matplotlib - Grundlagen in Machine Learning (Regression, Klassifikation, Clustering) - Implementierung eines einfachen Neuronalen Netzes von Grund auf (nur mittels NumPy)
-Tätigkeit im Bereich hochautomatisiertes Fahren (SAE Level 4) - Erarbeitung von Absicherungskonzepten - Analyse von Requirementabhängigkeiten - Analyse der Qualität von Ausgangssignalen von ESP-Steuergeräten und deren Auswirkungen auf die Fahrzustandsschätzung - Untersuchung der Auswirkung von systematischen Fehlern der Positionsschätzung in verschiedenen Koordinatensystemen