11.08.2026 aktualisiert
100 % verfügbar
Machine Learning Engineer
Hamburg, Deutschland
Weltweit
Bachelor of ScienceÜber mich
Ich entwickle datenbasierte Lösungen mit Python, Machine Learning und MLOps – von Datenaufbereitung und Modellierung bis zu APIs, Deployment und Monitoring. Strukturiert, zuverlässig und mit Fokus auf messbaren Nutzen.
Skills
RAGMLflowLLMMLOpsLangChainAPIsComputer VisionUnit TestingBash ShellClusteranalyseContinuous DeliveryContinuous IntegrationWeb ScrapingDatenqualitätRelationale Datenbanken
Mein technischer Schwerpunkt liegt auf Machine Learning, MLOps und der Entwicklung datengetriebener Anwendungen. Ich arbeite hauptsächlich mit Python und beherrsche den gesamten ML-Lifecycle – von Datenaufbereitung und explorativer Analyse über Feature Engineering und Modellierung bis hin zu Deployment, Monitoring und automatisierten ML-Pipelines.
Im klassischen Machine Learning verfüge ich über Kenntnisse in Regression, Klassifikation, Clustering, Dimensionsreduktion, Anomaly Detection, Recommender Systems und Zeitreihenanalyse. Für Deep-Learning-Anwendungen arbeite ich mit TensorFlow, Keras und PyTorch und habe Erfahrung mit neuronalen Netzen, Convolutional Neural Networks sowie Computer Vision mit OpenCV. Darüber hinaus beschäftige ich mich mit NLP, Text Mining, Large Language Models, LangChain, RAG und der Integration von LLM-Anwendungen in produktive Systeme.
Ein weiterer Schwerpunkt ist MLOps. Dazu gehören die Versionierung und Nachverfolgbarkeit von Daten, Modellen und Experimenten mit MLflow, DVC, DagsHub und Weights & Biases, die Orchestrierung von Workflows mit Airflow, Prefect und ZenML sowie Containerisierung und Deployment mit Docker und Kubernetes. Für Model Serving und APIs nutze ich unter anderem FastAPI und BentoML. Kenntnisse in Prometheus, Grafana und Drift Monitoring ermöglichen mir zudem, produktive ML-Systeme hinsichtlich Performance und Datenveränderungen zu überwachen.
Im Bereich Data Engineering arbeite ich mit SQL, relationalen Datenbanken, MongoDB, Elasticsearch, PySpark und MinIO. Daten kann ich über APIs, Web Scraping mit BeautifulSoup und unterschiedliche Datenquellen integrieren und für Analyse- oder ML-Prozesse aufbereiten. Für Visualisierung und prototypische Anwendungen nutze ich unter anderem Matplotlib, Seaborn, Plotly und Streamlit.
Ergänzend verfüge ich über Kenntnisse in Linux, Bash, Git, objektorientierter Programmierung, Unit Testing und Datenqualität. Mir ist wichtig, ML-Lösungen nicht nur als einzelne Modelle zu betrachten, sondern als reproduzierbare, wartbare und produktionsfähige End-to-End-Systeme. Auch Themen wie Interpretierbarkeit, Datenschutz und AI Ethics beziehe ich in die Entwicklung datenbasierter Lösungen ein.
Erfahrung
Berufserfahrung0 - 5 Jahre
Freelancer seit2026
Sprachen
DeutschMutterspracheEnglischverhandlungssicherFranzösischGrundkenntnisseTürkischMuttersprache
Projekthistorie
• Entwicklung einer vollständigen End-to-End-MLOps-Plattform zur Next-Day-Prognose des S&P 500, DAX und EUR/USD mit zeitbasierten Datensplits und separaten XGBoost-Regressionsmodellen.
• Implementierung reproduzierbarer Daten- und Modellversionierung sowie Lineage mit MLflow, DVC, Versionsmanifesten, Model Registry und einem kontrollierten Verweis auf das aktiv bereitgestellte Modell.
• Konzeption einer FastAPI-Architektur mit vier Microservices hinter NGINX sowie Docker Compose, Authentifizierung, Rate Limiting, Prometheus/Grafana-Monitoring und Drift Detection mit Evidently.
• Automatisierung von Tests und Validierung mit GitHub Actions, einschließlich Smoke Tests, Model-Serving-Contracts, Drift-Workflows und mehr als 200 automatisierten Tests.
• Verarbeitung von ca. 9,5 Mio. Fahrzeugdatensätzen der Europäischen Umweltagentur über eine speichereffiziente Pipeline in 500.000-Zeilen-Chunks mit Verbrennerfilterung, Qualitätskontrollberichten und komprimierter Parquet-Speicherung.
• Vermeidung von Duplicate Leakage durch Aggregation der Daten zu 395.366 eindeutigen Fahrzeugkonfigurationen und Sicherstellung einer Überschneidung von null Konfigurationen zwischen Trainings-, Validierungs- und Testdaten.
• Training eines LightGBM-Modells auf acht technischen Features mit Test-MAE 2,04 g/km, RMSE 4,50 g/km und R² 0,987 – rund 93 % niedrigerem MAE gegenüber der Median-Baseline.
• Erweiterung um SHAP-basierte Erklärbarkeit, kraftstoffspezifische Fehleranalyse, Batch-Inferenz und eine interaktive Streamlit-Anwendung.
Zertifikate
Data Scientist
Université Paris 1 Panthéon-Sorbonne2026
Machine Learning Engineer
Université Paris 1 Panthéon-Sorbonne2026