16.08.2025 aktualisiert
SN
100 % verfügbar
Machine Learning Engineer and PhD Candidate with Computer Vision Expertise
Hoppegarten, Deutschland
Weltweit
Master of Computer Science EngineeringSkills
ElektrokardiogrammComputer VisionCloud ComputingContinuous IntegrationEtikettierungPythonMatlabMachine LearningTensorflowWekaDeep LearningKerasMachine Learning OperationsDockerDurchführung von Corona-Tests
- Deep Learning & Computer Vision
Expertise in der Konzeption und Implementierung von CNN-Architekturen mit TensorFlow/Keras sowie Optimierung mit TensorRT für Anwendungen der Echtzeit-Bewegungsanalyse. - Signalverarbeitung
Erfahrung in der Verarbeitung und Analyse biomedizinischer Signale (u. a. EKG, EEG) mit hochgenauen Erkennungsalgorithmen. - ML/DL-Pipeline-Entwicklung
Kenntnisse des end-to-end ML/DL-Lebenszyklus – von Datenerfassung und Labeling über MLOps/CI/CD bis zur Bereitstellung in Cloud- oder Edge-Umgebungen. - Python-Programmierung
Fortgeschrittene Kenntnisse in Python, inklusive scikit-learn für Machine-Learning-Implementierungen und Datenanalyse. - MATLAB-Entwicklung
Erfahrung mit MATLAB/WEKA für Signalverarbeitung und die Implementierung von Rauschunterdrückungs-Pipelines für EEG-Datensätze. - Docker-Containerisierung
Know-how in der Bereitstellung von ML-Modellen in Docker-Containern für effiziente Auslieferung und Skalierung. - Medizinische Bildverarbeitung
Spezialisierte Kenntnisse in der Verarbeitung medizinischer Bilder, insbesondere COVID-19-Erkennung mittels Deep Learning auf Thorax-Röntgenaufnahmen.
Sprachen
DeutschgutEnglischverhandlungssicher
Projekthistorie
Designed and deployed real-time motion-analysis CNN using TensorFlow/Keras, optimized with TensorRT. Developed machine learning algorithms for biomechanics analysis focusing on kinematics of humans and animals. Created computer-vision pipelines and deep-learning dashboards for motion-capture analytics.
Conducting doctoral research in machine learning at Charité – Universitätsmedizin Berlin.
Filtered and classified ECG signals using Python/scikit-learn, achieving 92% arrhythmia detection accuracy in testing. Developed firmware interface to synchronize biomedical sensors with ±5ms precision for real-time monitoring.