Matteo Gätzner

Hallo, ich bin Matteo Gätzner, ein passionierter Informatiker mit einem Bachelor-Abschluss von der TU Berlin. Im September 2023 beginne ich mein Masterstudium in Statistik an der renommierten ETH Zürich. Mein Interesse gilt der Entwicklung neuer KI-Modelle und ich bin sowohl für Forschungsmöglichkeiten als auch für Positionen in der Industrie offen.

Während meiner Zeit beim Fraunhofer HHI habe ich an bedeutsamen Projekten gearbeitet, darunter die KI-basierte Simulation und Prognose von städtischen Hitzeinseln. Zudem entwickelte ich ein end-to-end trainierbares Netzwerk zur parallelen Prognose und hochauflösenden, räumlichen Interpolation.

In meiner Bachelorarbeit evaluierte ich den neuen Gradienten-Schätzer GDReG für das Training von Normalizing Flows, der effizientes Sampling von komplexen Verteilungen ermöglicht.

Ich beherrsche eine Vielzahl von KI-Verfahren, einschließlich SKLearn Modelle, XGBoost und Deep Learning (wie Normalizing Flows, ConvNets, RNNs und Transformer). Zudem bin ich versiert in Python, SQL und Rust und habe Erfahrung mit Technologien wie PyTorch, PostgreSQL, Docker, FastAPI und Linux.

In meiner Freizeit bleibe ich stets auf dem neuesten Stand der KI-Technologien. Dieses Engagement ergänzt meine Fähigkeiten, sowohl die Theorie als auch die Praxis der KI zu verstehen und effizient alle Teile einer KI-Pipeline aufzubauen.

Zögern Sie nicht, mich zu kontaktieren.
 

Hello, my name is Matteo Gätzner. I'm a passionate computer scientist with a Bachelor's degree from TU Berlin. In September 2023, I'll begin my Master's studies in Statistics at the renowned ETH Zurich. I have a strong interest in developing new AI models, and I'm open to both research opportunities and roles in the industry.

During my time at the Fraunhofer HHI, I worked on significant projects, including an AI-based simulation and forecast of urban heat islands. In addition, I developed an end-to-end trainable network for parallel forecasting and high-resolution spatial interpolation.

As part of my Bachelor's thesis, I evaluated GDReG, a new gradient estimator, for the training of Normalizing Flows, enabling efficient sampling of complex distributions.

My technical skills encompass a variety of AI methods, including SKLearn models, XGBoost, and Deep Learning techniques like Normalizing Flows, ConvNets, RNNs, and Transformers. I'm proficient in Python, SQL, and Rust and have experience with technologies like PyTorch, PostgreSQL, Docker, FastAPI, and Linux.

In my spare time, I make it a point to stay current with the latest AI technologies. This commitment complements my ability to understand both the theory and practice of AI and efficiently build all parts of an AI pipeline.

Feel free to get in touch.

Ich habe als studentische Hilfskraft an der TU Berlin begonnen und wertvolle Erfahrungen im Bereich KI und Machine Learning gesammelt. Meine berufliche Laufbahn setzte ich als wissenschaftlicher Mitarbeiter am Fraunhofer HHI fort, wo ich an der Entwicklung von KI-Modellen und dem Einsatz verschiedener Technologien wie Python, PostgreSQL und Docker beteiligt war. Ein herausragendes Projekt war die Entwicklung eines end-to-end trainierbaren Netzwerks zur parallelen Prognose und hochauflösenden, räumlichen Interpolation.

Als Informatikstudent an der renommierten Technischen Universität Berlin erwarb ich fundierte Kenntnisse in Schlüsselbereichen wie Programmierung, Datenstrukturen, Algorithmen und insbesondere Künstlicher Intelligenz. Meine Bachelorarbeit fokussierte sich auf die Evaluierung des Gradienten-Schätzers GDReG für das Training von Normalizing Flows, ein Beitrag zur Effizienzsteigerung in der KI-Modellierung. Ab September 2023 werde ich mein Wissen weiter vertiefen, indem ich an der ETH Zürich ein Masterstudium in Statistik beginne.