19.10.2026 aktualisiert
Premiumkunde
nicht verfügbarinfo: nicht verfügbar bis 30.11.2026
Data Scientist & Mathematiker | Statistik, Modellierung & Simulation
Heidelberg, Deutschland
Weltweit
M.Sc. Scientific Computing. Promotion in Mathematik, Disputation Anfang 2027.Über mich
Als Mathematiker entwickle ich Modelle, Algorithmen und Software für Datenanalyse, Zeitreihenanalyse und Prognosen. Meine Schwerpunkte sind Statistik, Simulation, Modellvalidierung und Unsicherheitsquantifizierung, umgesetzt in Python und C++. Ich arbeite remote oder vor Ort, auch international.
Skills
Algorithmus-EntwurfC++LinuxHidden Markov ModelPythonMachine LearningMathematikMathematische ModellierungMathematische OptimierungMonte-Carlo-SimulationNumerische AnalyseNumPyPhysikPredictive ModellingStatistische Auswertungen
Ich unterstütze Unternehmen mit quantitativen Analysen, Data Science und Softwareentwicklung. Mein Schwerpunkt liegt auf Statistik und auf Modellen, die nicht nur Prognosen liefern, sondern auch zeigen, wie belastbar diese sind. Meine Stärke ist es, bewährte Methoden auf neue Aufgaben zu übertragen und bei Bedarf maßgeschneiderte Modelle und Algorithmen zu entwickeln.
Dabei gehe ich pragmatisch vor und wähle die Methode passend zu Aufgabe, Datenlage und Budget. Lückenhafte, verrauschte oder uneinheitliche Daten gehören für mich zum Alltag. Ich übernehme einzelne Komponenten, verantworte aber ebenso gerne eine holistische Lösung von Anfang bis Ende. Mein Leistungsangebot umfasst:
- Datenanalyse und Prognosen. Ich werte Daten aus und entwickle Prognose- und Zeitreihenmodelle, die auch angeben wie verlässlich ihre Vorhersagen sind.
- Risiko- und Unsicherheitsanalysen. Ich quantifiziere Risiken und Unsicherheiten, etwa mittels Monte-Carlo-Simulationen und Bayes-Statistik, als Grundlage für belastbare Entscheidungen.
- Kalibrierung von Simulationsmodellen. Ich gleiche technische Simulationsmodelle mit Messdaten ab, insbesondere wenn jede einzelne Modellrechnung teuer ist.
- Modellprüfung und Validierung. Ich prüfe bestehende Modelle auf tragfähige Annahmen, korrekte Umsetzung und verlässliche statistische Ergebnisse.
- Softwareentwicklung und Performance. Ich entwickle vorhandene Software in Python und C++ weiter, beschleunige rechenintensive Abläufe und liefere getesteten, wartbaren Code.
In meiner Forschung an der Universität Heidelberg habe ich neue Verfahren in den Bereichen Bayes-Statistik, Gaußprozesse und Unsicherheitsquantifizierung entwickelt. Dazu gehören DART, ein mathematisch abgesichertes MCMC-Verfahren für rechenintensive Simulationsmodelle, sowie ein veröffentlichtes Simulationsverfahren für Gaußprozesse, das auch bei sehr feiner räumlicher Auflösung schnell und speichersparend arbeitet. Meine Erfahrung mit Machine Learning umfasst die Kombination neuronaler Netze (BayesFlow) mit Monte-Carlo-Verfahren für effiziente Bayessche Inferenz.
Ich habe das Open-Source-Python-Paket styne für Bayes-Statistik entwickelt und pflege es weiterhin. Es wird von Forschungsgruppen an mehreren Einrichtungen genutzt. Ich programmiere in Python und C++, unter anderem mit NumPy, SciPy, pandas, JAX, PyTorch und NumPyro für probabilistische Programmierung. Hinzu kommt Erfahrung mit numerischer Optimierung und High Performance Computing für rechenintensive Modelle und Simulationen.
Erfahrung
Berufserfahrung5 - 10 Jahre
Freelancer seit2026
Sprachen
DeutschMutterspracheEnglischverhandlungssicherRumänischverhandlungssicherRussischverhandlungssicher
Projekthistorie
styne, Open-Source-Python-Paket für Bayes-Statistik
Konzeption, Entwicklung und Pflege eines Python-Pakets für Bayessche Inferenz, von Architektur und API über automatisierte Tests und CI/CD bis zu den Releases auf PyPI. Das Paket unterstützt austauschbare NumPy- und JAX-Backends und wird von Forschungsgruppen am DKFZ und am KIT genutzt.
Technologien: Python, NumPy, SciPy, JAX, CI/CD, PyPI
Kalibrierung rechenintensiver Simulationsmodelle
Entwicklung von DART, einem mathematisch abgesicherten MCMC-Verfahren, das rechenintensive Simulationsmodelle an Messdaten kalibriert. DART benötigt keine Ableitungen des Modells und eignet sich daher auch für Black-Box-Simulationen. Ein Ersatzmodell reduziert die Zahl teurer Modellrechnungen, ohne das Ergebnis zu verfälschen. Das Verfahren ist in styne implementiert und wird in einer laufenden Kooperation mit neuronalen Netzen (BayesFlow) kombiniert.
Technologien: Python, NumPy, JAX, styne, BayesFlow, NumPyro
Lehre und Assistenz in 12 Lehrveranstaltungen, darunter Analysis, Numerik, Unsicherheitsquantifizierung und Bayesschen inversen Problemen. Leitung von Teams aus 2 bis 12 Tutoren, wöchentliche Plenarübungen für mehr als 200 Studierende im ersten Studienjahr sowie Mitbetreuung von drei Bachelor- und drei Masterarbeiten.