18.11.2025 aktualisiert
teilweise verfügbar
info: Abends und am Wochenende verfügbar
Data Scientist | Industrie & Computer Vision
Rheinstetten, Deutschland
Nur Remote
Dr.-Ing.Skills
Künstliche IntelligenzData AnalysisComputer VisionPythonMATLABMachine LearningMultidisziplinären AnsatzProduktionsdatenbankVisualisierungTensorFlowSignalverarbeitungSQLProzessanalyseQualitätskontrolleJupyter
Ich bin promovierter Data Scientist mit über 10 Jahren Erfahrung in der industriellen Anwendung datengetriebener Lösungen. Mein Schwerpunkt liegt auf der Analyse und Verarbeitung von Produktionsdaten, Zeitreihen und Bilddaten z. B. zur Prozessanalyse/-optimierung, Anomalieerkennung oder automatisierten Qualitätskontrolle.
Ob kompakte Datenanalysen, Visualisierungen, Dashboards oder die Entwicklung von Machine-Learning-Modellen: Ich liefere pragmatische Lösungen, die echten Mehrwert schaffen - nachvollziehbar, klar kommuniziert und anwendungsnah.
Als Lehrbeauftragter für Computer Vision an einer dualen Hochschule vermittle ich komplexe Inhalte verständlich und anwendungsorientiert - eine Fähigkeit, die ich auch in Projekten gezielt einsetze, insbesondere im Austausch mit interdisziplinären Teams.
Ich stehe für kleinere, nebenberufliche Projekte zur Verfügung, z. B. für gezielte Analysen, Proof-of-Concepts, ...oder wenn Sie jemanden brauchen, der Ihre Daten schnell versteht und in greifbare Ergebnisse übersetzt.
Tools & Technologien: Python, scikit-learn, TensorFlow, Signalverarbeitung, Computer Vision, Jupyter, SQL, Git, Panel, Streamlit, DVC, Nvidia Jetson
Erfahrung
Berufserfahrungmehr als 10 Jahre
Freelancer seit2015
Sprachen
DeutschMutterspracheEnglischverhandlungssicher
Projekthistorie
In einer industriellen Dreherei wurden Daten aus verschiedenen Sensorsystemen (z. B. Vibrations-, Kraft- und Positionsdaten) gesammelt, um die Produktqualität automatisiert zu beurteilen.
Im Rahmen des Feature Engineering wurden domänenspezifische, hochinterpretierbare Merkmale extrahiert – die Basis für ein zuverlässiges Machine-Learning-Modell zur Qualitätsvorhersage.
Das entwickelte Modell erkennt Schlechtteile frühzeitig und liefert zusätzlich Hinweise auf potenzielle Fehlerursachen – ein wertvoller Beitrag zur Prozessoptimierung und Reduktion von Ausschuss.
Technologien & Tools:
Python, scikit-learn, Signalverarbeitung, Jupyter Notebooks, AWS (für skalierbare Verarbeitung), Git
Im Rahmen des Feature Engineering wurden domänenspezifische, hochinterpretierbare Merkmale extrahiert – die Basis für ein zuverlässiges Machine-Learning-Modell zur Qualitätsvorhersage.
Das entwickelte Modell erkennt Schlechtteile frühzeitig und liefert zusätzlich Hinweise auf potenzielle Fehlerursachen – ein wertvoller Beitrag zur Prozessoptimierung und Reduktion von Ausschuss.
Technologien & Tools:
Python, scikit-learn, Signalverarbeitung, Jupyter Notebooks, AWS (für skalierbare Verarbeitung), Git
Entwicklung eines Deep-Learning-basierten Systems zur automatisierten Erkennung von Anomalien auf metallischen Oberflächen im Rahmen der industriellen Qualitätsprüfung.
Dabei wurde ein vollständiger ML-/DL-Workflow entworfen – von der Datenvorverarbeitung über die Modellierung bis hin zum Deployment. Dieser Workflow ist wiederverwendbar und ermöglicht in zukünftigen Projekten eine schnelle, standardisierte Umsetzung.
Das trainierte Modell wurde erfolgreich auf einem Embedded System (Nvidia Jetson) implementiert und wird in der Produktion zur visuellen Echtzeitprüfung eingesetzt.
Technologien & Tools:
Python, TensorFlow, Computer Vision, Nvidia Jetson, Jupyter Notebooks, Git, DVC (für Daten- und Modellversionierung)
Dabei wurde ein vollständiger ML-/DL-Workflow entworfen – von der Datenvorverarbeitung über die Modellierung bis hin zum Deployment. Dieser Workflow ist wiederverwendbar und ermöglicht in zukünftigen Projekten eine schnelle, standardisierte Umsetzung.
Das trainierte Modell wurde erfolgreich auf einem Embedded System (Nvidia Jetson) implementiert und wird in der Produktion zur visuellen Echtzeitprüfung eingesetzt.
Technologien & Tools:
Python, TensorFlow, Computer Vision, Nvidia Jetson, Jupyter Notebooks, Git, DVC (für Daten- und Modellversionierung)
Entwicklung eines Systems zur automatisierten Qualitätsüberwachung im Kunststoff-Spritzgussverfahren.
Basierend auf Sensorwerten (z. B. Druck- und Maschinendaten) wurde ein Machine-Learning-Modell entwickelt, das Anomalien im Produktionsprozess zuverlässig erkennt – bereits während der laufenden Fertigung.
Besonderer Fokus lag auf Explainable AI (XAI): Durch den Einsatz erklärbarer Methoden konnten mögliche Fehlerursachen transparent identifiziert und für das Prozessverständnis aufbereitet werden – eine wichtige Grundlage für gezielte Optimierungsmaßnahmen.
Technologien & Tools:
Python, scikit-learn, Signalverarbeitung, Explainable AI, Jupyter Notebooks, Git
Basierend auf Sensorwerten (z. B. Druck- und Maschinendaten) wurde ein Machine-Learning-Modell entwickelt, das Anomalien im Produktionsprozess zuverlässig erkennt – bereits während der laufenden Fertigung.
Besonderer Fokus lag auf Explainable AI (XAI): Durch den Einsatz erklärbarer Methoden konnten mögliche Fehlerursachen transparent identifiziert und für das Prozessverständnis aufbereitet werden – eine wichtige Grundlage für gezielte Optimierungsmaßnahmen.
Technologien & Tools:
Python, scikit-learn, Signalverarbeitung, Explainable AI, Jupyter Notebooks, Git