"Für mich beginnt Data Science dort, wo datengestützte Logik in funktionierende, wartbare Software übergeht. Ich betrachte Datenströme nicht isoliert, sondern baue praxistaugliche Systeme, die messbare Ergebnisse liefern."

Data Science & Machine Learning:

Data Engineering & Databases:

Backend, Cloud & Infrastructure:

• Predictive Modeling & Machine Learning: Konzeption robuster ML-Pipelines in Python (Scikit-learn, Pandas, NumPy), Zeitreihenprognosen, Klassifikations- und Clustering-Modelle, Feature Selection und Outlier-Handling.
• Relationales Datenbank- & Query-Engineering: Relationales Datenbankschema-Design in 3. Normalform (3NF), Performance-Tuning analytischer SQL-Abfragen via Window Functions (DENSE_RANK, PARTITION BY), Index-Optimierung und ETL-Datenbereinigung.
• Applied AI & Autonomous Systems: Entwicklung von Retrieval-Augmented Generation (RAG) Architekturen mit Vektordatenbanken (ChromaDB), episodischer Gedächtniskonsolidierung und REST-API-Schnittstellen (FastAPI, Flask) unter Linux/NGINX.

• Fokus: Algorithmische Signalanalyse volatiler Finanzzeitreihen.
• Architektur: Modulare Python-Engine mit Multi-Faktor-Indikatoren (RSI, Bollinger, ATR-Risikomanagement) und integriertem Backtesting-Framework zur Validierung statistischer Kennzahlen (Sharpe Ratio, Max Drawdown).
• Tech-Stack: Python, Pandas, NumPy, Flask, SQLite (3NF)

• Fokus: Kontextsensitives KI-Assistenzsystem zur Minimierung von Halluzinationen.
• Architektur: Semantische Vektorsuche via ChromaDB (Cosine-Similarity > 0.88), Zero-Trust-Schnittstellen, POSIX-Sicherheitsstandards und automatisierte Konsolidierungszyklen zur Wissensverankerung.
• Tech-Stack: Python, ChromaDB, Gemini API, FastAPI, AES-256-GCM, Rocky Linux

• Fokus: Vorhersage von Kaufabbrüchen und Intent-Erkennung in Webshop-Transaktionsdaten.
• Architektur: End-to-End-Pipeline mit Klassifikations- und Clustering-Modellen (MLPClassifier, KNN), Bot-Erkennung via Isolation Forests und Kostenreduktion durch gezielte Feature Selection.
• Tech-Stack: Python, Scikit-learn, Pandas, Seaborn, Jupyter Notebook

• Fokus: Interaktive Developer-Console für sensible Schnittstellen.
• Architektur: Simulation von Live-PII-Anonymisierung, Multi-Agenten-Debatten und kryptografischem Routing unter Einhaltung strenger POSIX-Dateirechte.
• Tech-Stack: JavaScript, REST-APIs, Zero-Trust, Chaos Engineering