Gwang Jin (Josephus) Kim-Data Scientist / Forscher für angewandte KI, Automatisierung und Datensysteme

Angewandtes Ml / Deep Learning: üBerwachtes Lernen, Cnns, Klassifikation, Regression, Modellanpassung, Modellevaluation, Fehleranalyse, Fehlertaxonomie, Small-Data-Modellierung, RobustheitsprüFungen Und Vorsichtige Interpretation

Vision- / Multimodal-Ki-Bereitschaft: Grundlagen Der Computer Vision, Bild-/Signal-Daten-Denken, Multimodale Ki, Vision-Language-Modelle, Foundation-Model-Evaluation, Prompt-Basierte Anpassung, Fine-Tuning-Konzepte Und Modell-Output-Validierung

Evaluation Und Experimentierung: Benchmark-Design, Diszipliniertes Experiment-Tracking, Ablations-Denken, Leistungskennzahlen, Entdeckung Von RandfäLlen, Analyse Von Fehlermodi, Modellvergleiche Und Datenorientierte Verbesserungszyklen

Datenengineering FüR Ml: Datensatzaufbau, Vorverarbeitung, Auf Annotationen Ausgerichtetes Denken, Datenvalidierung, Feature Engineering, Versionierte Eingaben, Reproduzierbare Pipelines, Automatisiertes Reporting Und QualitäTssicherungstore

Python-Ml-Implementierung: Python, Pytorch, Tensorflow/Keras, Scikit-Learn, Xgboost, Pandas/Numpy, Jupyter, Streamlit/Flask, Rest-Apis, Git, Linux Und Reproduzierbare Umgebungen

Llm-/Genai-Systeme: Llms, Rag, Graphrag, Embeddings, Dokumentenintelligenz, Prompt Engineering, Context Engineering, Strukturierte Ausgaben, Halluzinationsreduktion Und üBerprüFbare Ki-Workflows

ZuverläSsigkeit Von Modellen In Der Praxis: Umwandlung Vager DomäNenanforderungen In Messbare Tests, Identifikation Von DatenlüCken, Dokumentation Von Annahmen, ErkläRung Von Unsicherheit Und Aufbau Von Werkzeugen, Die Andere PrüFen Und Wiederverwenden KöNnen

Bereitstellung üBer Fachgrenzen Hinweg: Zusammenarbeit Mit Wissenschaftlern, Ingenieuren, It-/Support-Teams Und Fachexperten; ÜBersetzung Von DomäNenanforderungen In Technische Konzepte, Experimente, Berichte Und Nutzbare Werkzeuge

Machine Learning / Deep Learning: Deep Learning, Cnns, Klassifikation, Regression, üBerwachtes Lernen, Modellvalidierung, Fehleranalyse, RobustheitsprüFungen, ErkläRbarkeit, Kommunikation Von Unsicherheit, Small-Data-Modellierung, Scikit-Learn, Xgboost, Pytorch, Tensorflow/Keras

Vision / Multimodale Ki: Vision-Language-Modelle, Multimodale Ki, Grundlagen Der Computer Vision, Bild-/Signal-Daten, Foundation-Modelle, Prompt-Basierte Anpassung, Fine-Tuning-Konzepte, Evaluation Von Modell-Outputs, Randfallanalyse

Evaluation / Experimentierung: Benchmark-Design, DatensäTze FüR Model-Assessment, Versuchsdesign, Metriken, Fehlertaxonomien, Datenorientierte Verbesserung, Validierungstore, Reproduzierbare Reports, Automatisierte Evaluierungskonzepte

Datenengineering: Datensatzaufbau, Datenbereinigung, Vorverarbeitung, Auf Annotationen Ausgerichtete Workflows, Umgang Mit Metadaten, Feature Engineering, DatenqualitäT, Versionierte Eingaben, Pipelines, Strukturierte Exporte, Monitoring-Bereite Workflows

Programmierung: Python, R, Sql, Bash, Powershell, Git, Linux, Macos, Windows, Common Lisp, Grundkenntnisse In Julia, Grundkenntnisse In Javascript

Python-Ml-/Daten-Stack: Pandas, Numpy, Scipy, Matplotlib, Plotly, Jupyter, Scikit-Learn, Xgboost, Pytorch, Tensorflow/Keras, Streamlit, Flask, Rest-Apis

Llm-/Genai-Systeme: Llms, Genai, Rag, Graphrag, Embeddings, Semantische Suche, Prompt Engineering, Context Engineering, Lokale Llms, Dokumentenintelligenz, Strukturierte Ausgaben, Halluzinationsreduktion, Ki-Evaluation

Datenbanken / Strukturierte Daten: Sql, Relationale Datenbanken, Postgresql/Mysql/Mariadb, Erste Erfahrungen Mit Sql Server, Schema-Erkundung, Joins, Verschachteltes Sql, Datenextraktion, DatenqualitäTsprüFungen Und Reporting-Workflows

Deployment-Nahe Tools: Erste Erfahrungen Mit Docker, Linux-Deployment-Mustern, Reproduzierbare Umgebungen, Rest-/Api-Integration, Logging-Orientiertes Denken, Monitoring-Logik, Technische Dokumentation, Ci/Cd-Erfahrung