Datenanalyst bei Amazon Lebenslaufbeispiel

• Erbrachte wertvolle technische Unterstützung für Kollegen und wichtige Kunden, indem er Ad-hoc-Anfragen beantwortete und gleichzeitig neue Auszubildende effektiv schulte.
• Nutzung von Dateneinblicken zur Implementierung von bearbeitbaren Vorlagen, Inhaltsfragmenten und Erlebnisfragmenten für die personalisierte Bereitstellung von Inhalten, wodurch die Benutzerbindung um 15 % gesteigert werden konnte.
• Nutzung von SQL für eine detaillierte Analyse von Benutzerdaten, um Spam-Treffer aus Formularübermittlungen zu erkennen und zu verhindern, was zu einer erheblichen Reduzierung der Spam-Vorfälle um 40 % führte.
• Verwaltete AEM-Verwaltungsaufgaben, einschließlich Benutzerberechtigungen, Authoring, DAM, Multi-Site-Management, Dispatcher und Workflow-Handling. Er leitete die erfolgreiche Migration zur AWS-Cloud und erreichte eine Verbesserung der Skalierbarkeit um 40 % und eine Steigerung der Systemleistung um 30 %.
• Arbeitete eng mit funktionsübergreifenden Teams zusammen, um Probleme mit Komponenten und Datenqualität zu identifizieren und zu lösen und so die Datenintegrität und -konsistenz im gesamten Unternehmen sicherzustellen.
• Er setzte Tableau für die Datenanalyse ein und erstellte wichtige Metriken und KPIs, um den Fortschritt bei verschiedenen Anfragen zu verfolgen und die Produktivität des Teams um 15 % zu verbessern.

• Durchführung von prädiktiven Analysen und Erstellung von Berichten über die Studentendaten der Universität mit PowerBI
• Die Arbeit umfasst Datenanalyse, Web Scraping mit Python, Data Warehouse Management und Datenmodellierung.

• Verbessertes Anlagenmanagement mit IoT-Sensoren und Datenanalyse, wodurch die Wartungskosten um 20 % gesenkt und die Betriebszeit der Anlagen um 15 % erhöht werden konnten.
• Spielte eine Schlüsselrolle im Softwareentwicklungszyklus für die Zugverfolgungsfunktion, folgte der agilen Methodik und nutzte Git, Jira, ServiceNow, Confluence und Jenkins.
• Erhöhte die Benutzerzufriedenheit durch die Integration von Kundenfeedback, was zu einem bemerkenswerten Anstieg der positiven Kundenrezensionen um 20 % führte.

Lehrveranstaltungen: Algorithmen, Computerarchitektur, Cloud Computing (AWS), KI, Data Mining, ML, und DBMS

• Entwicklung von Algorithmen zur iterativen Vertiefung und heuristischen Suche für Roboterkoch-Lernaufgaben, die eine 20-prozentige Verbesserung der Effizienz bei der Aufgabensuche bewirken.
• Veröffentlichung eines Forschungsprojekts über Roboterlernen, das auf arXiv (https://arxiv.org/abs/2211.01745) verfügbar ist und zum Wissen und Fortschritt auf diesem Gebiet beiträgt.

• Erzielte eine 30-prozentige Verringerung der Aufgabenerfüllungszeit über 1000 Trainingsepisoden mit einem Q-Learning-Agenten mit Bellman-Gleichungsaktualisierungen, implementiert mit den Python-Bibliotheken NumPy und TensorFlow.
• Die Leistung des Agenten wurde in CoppeliaSim mit einer Abweichung von nur 5 % vom Ziel validiert, wobei Python-Bibliotheken wie PyRep, SciPy und Matplotlib für die Simulation, Analyse und Visualisierung eingesetzt wurden.

• Entwicklung eines TensorFlow-basierten CNN-Modells, das bei der Bildklassifizierung eine Genauigkeitsrate von 88 % erreicht und die Trainingszeit durch optimierte Stapelverarbeitung mit dem Kaggle-Datensatz um 15 % reduziert.
• Nutzung eines vortrainierten LeNet-5-Netzwerks, das eine Bilderkennung mit Präzision (92 %), Wiedererkennungswert (91 %) und einem F1-Score (93 %) erzielte, bewertet über eine Konfusionsmatrix.

• Tableau wurde für die Datenanalyse und -visualisierung verwendet, um Muster und Trends bei Waffengewalt in Schulen aufzudecken.
• Sammelte und analysierte Daten aus glaubwürdigen Quellen, darunter die Washington Post und das Gun Violence Archive.
• Untersucht wurden Schlüsselfaktoren wie Ort, Opfer, demografische Merkmale der Täter, Waffentypen und Schussmethoden. Ziel war es, die wichtigsten Risikofaktoren zu ermitteln, Präventionsstrategien zu entwickeln und Muster in verschiedenen Regionen und Bevölkerungsgruppen zu verstehen.

• Durchführung von Datenvorverarbeitung, Erkundung und statistischer Analyse eines Kaggle-Datensatzes mit 300 Patientendatensätzen.
• Verwendung von KNN-, Entscheidungsbaum-, Random Forest- und Naive Bayes-Klassifizierungsalgorithmen zur Vorhersage der Wahrscheinlichkeit des Auftretens von Herzversagen.
• Identifizierung des optimalen Modells durch rigorose Auswertung von Präzision, Genauigkeit, Wiedererkennung und F-Maß auf einem ungesehenen Testdatensatz.