César Ojeda

Ich setze mich dafür ein, maschinelles Lernen zum Nutzen der Gesellschaft voranzutreiben. Da ich ein Händchen für Statistik habe, finde ich die Schnittstelle zwischen maschinellem Lernen und dynamischen Systemen faszinierend. Ich entwickle Software in Teams und konzentriere mich auf Anwendungen, die skalierbar und zuverlässig sind. Mit über sechs Jahren Erfahrung in generativer KI habe ich erfolgreich Forschungsprojekte geleitet, die zu Veröffentlichungen auf großen Konferenzen in den Bereichen Zeitreihenanalyse, NLP und maschinelles Lernen führten. Ich habe von Grund auf professionellen Code entwickelt, der im Bereich der Diffusionsmodelle für diskrete Variablen (wie Musik- und DNA-Daten) auf dem neuesten Stand ist. Da ich im Herzen ein Bayes-Statistiker bin, liegt mein fundiertes theoretisches Fachwissen in stochastischen Prozessen, die die Untersuchung von Risiko und Zufälligkeit beinhalten. Als ausgebildeter Physiker orientiert sich meine Intuition an einem First-Principle-Ansatz. Meine Forschungsinteressen umfassen ungefähre Inferenzmethoden für Bayes'sche Nichtparametrik, optimalen Transport, generative diffusive Modellierung und Zeitreihenanalyse. Ich liebe Literatur und Kochen, schreibe Gedichte und arbeite gerade an einem Roman. Mein Wohnsitz ist Berlin.

Post Doc Uni Potsdam

Post Doc TU Berlin

R & D Fraunhofer IAIS 

Doktor für Maschinelles Lernen

MSc. High Performance Computing 

Physiker