Riza Halilcavusogullari

Masterand: Data-Scientist bei der Mercedes-Benz AG

Wissenschaftlich

Frankfurt am Main, Darmstadt

Über Riza Halilcavusogullari:

Während meines Masterstudiums in angewandter Mathematik an der Hochschule Darmstadt konnte ich mich intensiv mit den Schwerpunkten Machine Learning und Deep Learning auseinandersetzen, wodurch ich meine Expertise in den Bereichen erheblich erweitert habe. Ausgehend von einer soliden Grundlage in Mathematik lag der Fokus in meinem Studium auf einer praxisnahen Vertiefung der Theorie durch Einsatz von Python und R, wobei ich meine Fähigkeiten sowohl in einem Industriepraktikum und meiner Bachelorarbeit bei dem Marktforschungsunternehmen NielsenIQ, als auch in Projekten an der Hochschule in Zusammenarbeit mit dem Deutschen Zentrum für Luft- und Raumfahrt (DLR) erfolgreich anwenden und erweitern konnte.

In meiner Arbeit bei NielsenIQ konnte ich mich schnell in ein bestehendes Team einarbeiten, Daten professionell aufbereiten und Lösungsansätze in Python implementieren. Der Fokus lag hierbei auf der Umsatzanalyse von Herstellern im amerikanischen Markt. Auf dieser Grundlage konzentrierte sich meine Bachelorarbeit darauf, den Zusammenhang zwischen Distribution und Umsatz mithilfe des Kombinationsmodells "Mixture-Density-Networks" (MDN) zu analysieren, wobei ich meine Kenntnisse im Umgang mit großen Datensätzen in Python mit PySpark vertiefen konnte.

Derzeit schreibe ich meine Masterarbeit bei der Mercedes-Benz AG, in der ich im Bereich der KI-Absicherung die Generalisierbarkeit eines vortrainierten LSTM-Modells hinsichtlich des Use-Cases Trampelschutz untersuche. Zusätzlich quantifiziere ich die Unsicherheit mit gängigen UQ-Methoden, evaluiere die quantifizierte Unsicherheit und analysiere insbesondere, ob eine Korrelation zwischen mangelnder Generalisierbarkeit und der quantifizierten Unsicherheit besteht. Dank meiner herausragenden Programmierkenntnisse in Python und meiner analytischen Denkfähigkeit konnte ich während dieser Zeit einen eigenen Lösungsansatz entwickeln. Dieser trug nicht nur maßgeblich zum Verständnis von dicht und spärlich definierten multivariaten Zeitreihendaten aus dem Trainingsdatensatz bei, sondern hilft auch, Data-Shift oder Fehler in den Testdaten zu identifizieren, womit durch effizienteres Training die Leistungsfähigkeit des bestehenden Modells gesteigert werden kann.

Erfahrung

Masterand als Data-Scientist, 01/2024 – 07/2024
Mercedes-Benz AG - Sindelfingen

Einarbeitung in Microsoft Azure Machine Learning
Analyse u. Bewertung von Multivariaten Zeitreihen
Bewertung der Generalisierbarkeit bestehender Modelle und Identifikation von Einflussfaktoren, die die Modelleistung beeinträchtigen
Entwicklung und Implementierung einer Teststrategie zur Identifikation kritischer Schwachstellen, die die Generalisierbarkeit der Modelle beeinträchtigen
Quantifizierung der Unsicherheit und die Untersuchung der Frage, ob zwischen fehlender Generalisierbarkeit und quantifizierter Unsicherheit eine Korrelation aufgestellt werden kann
Validierung der Testergebnisse anhand realer Anwendungsfälle zur Sicherstellung der Modellzuverlässigkeit.
Die Dokumentation von Ergebnissen in Confluence für einen Echtzeit-Wissensaustausch

Praktikum als Data Scientist, 01/2021 – 06/2021
NielsenIQ - Frankfurt am Main

Einarbeitung in PySpark
Nebenprojekt: Identifikation von Promotionspreisen gegenüber Regulärpreisen.
Bachelorarbeit: Modellierungsmöglichkeit der Beziehung zwischen der Distribution und dem Umsatz bzw. Absatz eines Produktes mithilfe der Modellklasse „Mixture-Density-Network“.

Bayesian CNN mit Uncertainty An der Hochschule Darmstadt in Kooperation mit dem Deutschen Zentrum für Luft- und Raumfahrt (DLR).

Machine Learning - Retail Revenue Prediction An der Technisch-Naturwissenschaftlichen Universität Norwegens in Kooperation mit dem Unternehmen Plaace und den von ihnen bereitgestellten realen Daten.