
Deep Learning Experten in München
, die in wenigen Minuten aus über 15.000 Lebensläufen per KI vermittelt werdenBeauftragen Sie Experten, die neuronale Netze trainieren, Computer-Vision- und Anwendungen zur Verarbeitung natürlicher Sprache entwickeln und zuverlässige Machine-Learning-Modelle bereitstellen. FRATCH bringt Sie durch schnelles, präzises KI-Matching mit geprüften, verfügbaren Freelancern zusammen.
Lerne FRATCH Experten in München kennen, die kürzlich Deep Learning eingesetzt haben
Sukumar R.
Letzte Position:
KI-Berater
- Entwurf durchgängiger KI/ML-Lösungen mit starkem Fokus auf fortschrittliche LLM-Anwendungen, autonome agentische KI-Workflows mit dem MCP-Toolset, Berechnungen von vLM-Embeddings und robuste agentische RAG-Pipelines, um für Kunden aus verschiedenen Branchen einen konkreten Geschäftsnutzen zu schaffen.
- Entwicklung intelligenter agentischer KI-Workflows zur Automatisierung des Abrufs von Wissen und der Schlussfolgerungen für B2B-Kunden, um schneller Geschäftsnutzen zu erzielen.
Valery K.
Letzte Position:
Sr. Data Scientist & Engineer bei Virtual Minds
- Entwicklung einer leistungsstarken Anzeigenbereitstellung über Auktionen
- Ganzheitliche Optimierung der Anzeigenplatzierung (Multi-Campaign & Multi-Channel)
- Algorithmische Optimierung für NP-Hard/NP-e
- Multiple Knapsack Problem mit Nebenbedingungen
- Online-Schätzung von Parametern in stochastischen Umgebungen
Tools: Python, R, Kotlin, MILP/SAT/CP Solvers, Pytorch, Pandas, Docker
Adithya B.
Letzte Position:
Edge AI Software Engineer bei Neura Robotics GmbH
- Vision-Language-Action-(VLA)- und Diffusion-Policy-Modelle auf NVIDIA Jetson Orin und Jetson Thor bereitgestellt und optimiert, um Echtzeit-Inferenz-Latenz-Ziele für humanoide Roboter-Steuerungsschleifen zu erreichen.
- TensorRT-Engine-Pipelines (PyTorch → ONNX → TensorRT) mit INT8/FP8 Post-Training-Quantisierung, Design von Kalibrierungsdatensätzen und quantisierungsbewusster Validierung aufgebaut, wodurch der Inferenz-Speicherbedarf auf Jetson um mehr als das 3-Fache reduziert wurde, ohne Genauigkeitsverlust.
- Eigene CUDA-C++-Plugins und CUDA Graphs für latenzdeterministische, echtzeitfähige Policy-Ausführung entwickelt – und damit harte Laufzeit- und Speichergrenzen auf eingebetteten GPU-Zielsystemen eingehalten.
- Eine Inferenz-Engine für VLA-Modelle auf Basis von llama.cpp entwickelt, die verschiedene VLA-Policies unter einer einzigen Runtime zusammenführt und jede als eine einzelne, selbst enthaltene GGUF verpackt, die kein Python oder PyTorch benötigt.
- GPU-Ausführung mit NVIDIA Nsight Systems und Nsight Compute profiliert und optimiert, CUDA-Kernel-Engpässe, Sättigung der Speicherbandbreite und SM-Auslastungsprobleme über Jetson-Orin- und Thor-Compute-Profile hinweg identifiziert und damit eine Performance-Optimierung über mehrere Schichten umgesetzt.
Krithika C.
Letzte Position:
Berufliche Neuorientierung bei Von Rundstedt
- Teilnahme an einem strukturierten Karriereentwicklungsprogramm, Verbesserung der Deutschkenntnisse (B1) und Prüfung von Möglichkeiten im Bereich ADAS/AD-Systeme und Anforderungsmanagement.
Clarissa H.
Letzte Position:
KI-Trainerin bei Komdis GmbH
- Leitung umfassender KI-Workshops für Fachkräfte, Fokus auf KI-gesteuerte Prozessautomatisierung.
- Tech Stack: n8n, Make, LLMs (OpenAI, Anthropic), Prompt Engineering, Process Mapping Tools.
Michael N.
Letzte Position:
Senior AI Engineer | Forward Deployed Engineer bei Tiefbau
- Entwicklung eines KI-gestützten Projektorganisationstools für ein Tiefbauunternehmen, das Projekt-, Aufgaben-, Ausschreibungs-, Terminund Dokumentendaten intelligent über einen Knowledge-Graphenverknüpft.
- Implementation von KI-Funktionen zur Dokumentenanalyse, Informationsextraktion, kontextbezogenen Assistenz und sprachbasierten Datenerfassung auf Basis von Microsoft Azure AI, wodurch administrative Aufwände reduziert, Informationen schneller zugänglich gemacht und Projektteams bei Entscheidungen unterstützt werden.
- Technologie-Stack: Python, React, TypeScript, FastAPI, Claude Code, Codex, Graphify, PostgreSQL, Microsoft Azure AI Foundry, Azure OpenAI, Azure AI Speech, Azure AI Document Intelligence, Microsoft Graph, Microsoft Entra ID, Docker, Git, CI/CD.
Roumaissa T.
Letzte Position:
Masterarbeit: KI-basierte Analyse von 2D- und Explosionsansichten bei Technische Universität München
- Entwicklung einer durchgängigen KI-Pipeline zur Analyse von 2D-Explosionszeichnungen mithilfe von Computer Vision und Deep-Learning-Modellen.
- Integration einer YOLO-basierten Objekterkennung (Bounding Boxes, Nachbearbeitung, Überlappungsbehandlung) für präzise Erkennung von Bauteilen und Beschriftungen.
- Anwendung des Segment Anything Model (SAM) für eine feinkörnige Segmentierung und Trennung einzelner Komponenten.
- Implementierung von OCR- und Feature-Extraction-Modulen sowie Vergleich von Vision-Language-Modellen (VLM) und traditionellen Computer-Vision-Ansätzen hinsichtlich Genauigkeit, Laufzeit und Skalierbarkeit.
Tobias B.
Letzte Position:
Leiter XR-Projekt bei BMW Group
- Präsentation der weltweit ersten voll immersiven AR-Brillen-Erfahrung in einem fahrenden Auto auf der CES 2024.
- Vortrag über Augmented Reality auf internationalen Konferenzen (z.B. das AR Ride Concept @ Unite 2024).
- Leitung eines interdisziplinären Softwareteams mit 12 Personen, das Android-Headunit-Integrationen, Navigation- und ADAS-UIs sowie Embedded-Software entwickelt.
- Festlegung der technischen Ausrichtung, Steuerung domänenübergreifender Architektur und Integration sowie Betreuung von Entwicklern in den Bereichen Android, UI/UX und Embedded.
- Überwachung einer kleinen Flotte von Testfahrzeugen für Validierung, Tests und Datenerfassung.
Alyosh A.
Letzte Position:
Berater für Business Intelligence bei Large Private Equity Group
- Spezifikation von Business Intelligence und KPIs sowie Erstellung eines Playbooks für 35 europäische Unternehmen.
Vasco A.
Letzte Position:
KI-Forschungspraktikant – Generative KI bei BMW AG
- Entwarf und implementierte multimodale Unterhaltungstoolchains, die Passagierinput, Fahrzeugkontext, Large-Language-Modelle (Text-zu-Text und Sprache-zu-Sprache) sowie Bildgenerierungsmodelle kombinieren, um interaktivere und immersivere In-Car-Erlebnisse zu bieten.
- Entwickelte und orchestrierte Tools für LLM-basierte Agenten, inklusive Sitzungsverwaltung, Hintergrundaufgaben, dynamischer Nutzerinteraktionen und persistentem Anwendungszustand.
- Untersuchte Multi-Agenten-Orchestrierungsframeworks für In-Car-Umgebungen, bewertete Kommunikationsprotokolle und Architekturstrategien für koordinierte und zuverlässige Agentenverhalten.
Ehsan Z.
Letzte Position:
Freiberuflicher Robotik-Softwareingenieur bei Unabhängiger Auftragnehmer
- Entwicklung und Bereitstellung benutzerdefinierter ROS2-Knoten für Echtzeit-LiDAR-IMU-Fusion mit R3Live++ auf ARM64-Hardware (Docker, CMake)
- Konfiguration von IMU-, Kamera- und LiDAR-Treibern für korrekte Zeitabstimmung und Datenformate, um Echtzeit-3D-Kartierung mit R3Live zu ermöglichen
- Aufbau eines kompletten Simulationsstacks für Quadrotor-UAVs: Ardupilot SITL + ROS2/DDS + Gazebo Harmonic + YOLOv8-Erkennung
Raghu Ram V.
Letzte Position:
Telco-Kundenabwanderungsprognose – End-to-End-ML-Pipeline bei Selbst initiiertes Projekt
- Entwickelte und implementierte eine vollständige Machine-Learning-Pipeline zur Kundenabwanderungsprognose auf Basis des Telco-Datensatzes.
- Wandte Vorverarbeitungstechniken an, darunter Behandlung fehlender Werte, kategoriale Kodierung, Feature Scaling und PCA.
- Baute und verglich über 15 Modelle (Logistic Regression, Random Forest, XGBoost usw.) und bewertete sie anhand von Accuracy, Precision, Recall, F1-Score, ROC-AUC und PR-AUC.
- Stimmte Hyperparameter mit GridSearchCV ab und erreichte 80,6 % Accuracy mit Random Forest und XGBoost.
- Erstellte visuelle Berichte (Balkendiagramme, Heatmaps, Radardiagramme), um die Modellleistung und die Abwanderungstreiber zu interpretieren.
- Exportierte wiederverwendbare Pipelines und trainierte Modelle mit joblib für die Bereitstellung.
Stephan B.
Letzte Position:
Freiberuflicher Data Scientist bei Baier Data & AI Consulting
Borui L.
Letzte Position:
Spektralanalyse neuronaler Netzwerkkerne bei Borui Li Projects
- Untersuchte den Einfluss der Struktur neuronaler Netze auf netzwerkinspirierte Kernel wie den Neural Tangent Kernel (NTK).
- Zeigte durch theoretische Analysen und empirische Studien, dass der RKHS von NNGP ein Unterraum des NTK ist.
- Untersuchte die Verbindungen dieser Kernel zur Matérn-Familie.
Mohamed S.
Letzte Position:
Machine-Learning-Ingenieur (Teilzeit) bei E.ON Digital Technology
- Entwarf und implementierte eine fortschrittliche, agentenbasierte RAG-Pipeline mit LangChain und LangGraph zur strukturierten Datenextraktion aus PDFs. Dabei kamen Tools, Zustandsverwaltung und OpenAI-LLMs (GPT-4) zum Einsatz, um die Genauigkeit zu verbessern und komplexe Dokumentstrukturen zu verarbeiten.
- Entwickelte einen Google-KI-Agenten zur Extraktion strukturierter Informationen aus PDF-Dokumenten und stellte ihn auf Vertex AI bereit.
- Entwickelte Datenpipelines mit Azure Data Factory und Databricks, um Daten aus Azure Blob Storage aufzunehmen, mit PySpark zu verarbeiten und über Linked Services in Azure SQL Database zu laden.
- Verpackte KI-Agenten und Dienste mit Docker in Container, um eine einheitliche lokale Entwicklung und Bereitstellung zu ermöglichen.
- Verwendete PySpark und Dask für Datenbankabfragen in Verbindung mit Azure Blob Storage und Document Storage.
- Entwickelte einen ReAct-Agenten, der mithilfe von Tools und der Integration von Azure Document Intelligence strukturierte Daten aus PDF-Dokumenten extrahiert.
- Wirkte am Projekt zur Validierung von CPO-Rechnungen mit. Dabei wurden mit Databricks vorhandene CDRs ermittelt und die gesamten gültigen Kosten berechnet.
- Entwickelte einen dialogfähigen KI-Agenten (Chatbot) mit einem FastAPI-Backend, integrierte RAG für eine präzise Tariferkennung und stellte den Dienst mit Azure Container Apps bereit.
- Verwendete Tools: Azure, Azure OpenAI, Azure Document Intelligence, Azure Blob Storage, Google ADK, Google Cloud, Vertex AI, Gemini, Databricks, LangChain, LlamaIndex Ollama, Docker, PySpark, Azure SQL, Azure Data Factory, Azure AI Agent, Microsoft SQL Server
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Deep Learning einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
15 Jahre (Deutschland: 13 Jahre)

Positionsdauer
2,1 Jahre

Positionen pro Freelancer
10 (Deutschland: 8)

Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Forschung und Entwicklung (F&E)

Häufigste Branchen
Informationstechnologie (IT), Automotive, Bildung

Fokus der Zertifizierungen
Informationstechnologie (IT), Produktentwicklung, Projektmanagement
Bachelor-Abschluss oder höher
100% (Deutschland: 98%)
Master-Abschluss oder höher
91% (Deutschland: 86%)
Doktortitel
19%

Zertifizierungen pro Freelancer
2

Häufigste Sprachen
Englisch, Deutsch, Spanisch

Sprechen zwei oder mehr Sprachen
100% (Deutschland: 99%)
Basierend auf unserem Profilpool, Stand 18 Nov 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Experten in dieser Technologie in München verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, welcher Anteil der Experten innerhalb dieser Spanne abrechnet.
Durchschnittssätze von Experten in München, die Deep Learning einsetzen
Die Tagessätze basieren auf aktuellen Verträgen und enthalten keinen FRATCH-Aufschlag.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 18 Nov 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der Deep Learning Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (91%)
- Automotive (63%)
- Bildung (53%)
- Professionelle Dienstleistungen (47%)
- Bank- und Finanzwesen (41%)
- Gesundheitswesen (41%)
- Fertigung (41%)
- Luft- und Raumfahrt und Verteidigung (22%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Was Deep Learning leistet
Deep Learning ist ein Bereich des Machine Learning, der geschichtete neuronale Netze nutzt, um Muster in großen und vielfältigen Datensätzen zu lernen. Es ermöglicht Systeme, Bilder zu klassifizieren, Sprache zu verstehen, Texte zu erzeugen, Anomalien zu erkennen und Vorhersagen zu treffen, ohne auf manuell definierte Regeln angewiesen zu sein. Modelle können sich verbessern, wenn sie geeignete Trainingsdaten und Feedback erhalten.
Produkte und Anwendungsfälle
Unternehmen nutzen Deep Learning, um komplexe, unstrukturierte Informationen in verwertbare Ergebnisse umzuwandeln. Typische Ergebnisse sind:
- Bilderkennung, Inspektion und medizinische Bildanalyse
- Sprache-zu-Text, dialogorientierte Schnittstellen und Sprachverarbeitung
- Empfehlungs-, Prognose- und Betrugserkennungssysteme
- Generative KI-Anwendungen für Text, Bilder, Audio oder Code
Ökosystem und Tools
Gute Arbeit umfasst den gesamten Lebenszyklus eines Modells. Spezialisten verwenden häufig Python mit PyTorch oder TensorFlow sowie NumPy, pandas und scikit-learn für Datenaufbereitung und Evaluierung. Sie arbeiten möglicherweise mit Hugging Face, Jupyter, MLflow, Docker und Cloud-Diensten für das Nachverfolgen von Experimenten, die Bereitstellung von Modellen und reproduzierbare Deployments. GPU-Beschleunigung und verteiltes Training werden wichtig, wenn Datensätze oder Modelle anspruchsvoller werden.
Wann Unternehmen Spezialisten benötigen
Freiberufliche Expertise hilft, wenn ein internes Team über wertvolle Daten verfügt, aber nicht die Kapazität hat, daraus ein zuverlässiges Produkt zu entwickeln. Sie ist besonders nützlich bei der Auswahl einer Architektur, der Aufbereitung von Trainingsdaten, der Anpassung eines Foundation-Modells, der Senkung von Inferenzkosten oder der Überführung eines erfolgreichen Prototyps in den produktiven Betrieb. In München kann die Remote-Zusammenarbeit gut funktionieren, während Workshops vor Ort Teams in den Bereichen Automotive, Fertigung, Gesundheitswesen, Finanzen und Medien unterstützen können.
Umsetzung und Zusammenarbeit
Ein kompetenter Profi klärt das Geschäftsziel, bevor er ein Modell auswählt. Er stellt Datenzugriff, Regeln für die Kennzeichnung, Datenschutzvorgaben und Erfolgskriterien fest und entwickelt anschließend einen wiederholbaren Prozess für Training und Evaluierung. Er dokumentiert Annahmen, kommuniziert Abwägungen und koordiniert sich mit Produkt-, Daten-, Software- und Infrastrukturteams. Für Teams in München kann die Zusammenarbeit auf Deutsch und Englisch relevant sein.
Anzeichen für fundierte Expertise
Achten Sie auf Belege dafür, dass ein Spezialist Modelle über ein Notebook hinaus umgesetzt hat. Aussagekräftige Hinweise sind:
- Klare Validierungsmethoden, die reale Betriebsbedingungen abbilden
- Erfahrung mit Datenqualität, Verzerrungen, Drift und Erklärbarkeit
- Produktive Bereitstellung mit Monitoring, Rollback und Versionskontrolle
- Praktische Entscheidungen zu Latenz, Kosten, Sicherheit und Wartbarkeit
- Sorgfältiger Umgang mit sensiblen Trainings- und Nutzerdaten
Häufig gestellte Fragen
Neugierig auf Deep Learning? Hier sind die Antworten, die immer wieder gefragt sind.
Deep Learning wird für Aufgaben eingesetzt, bei denen sich Regeln nur schwer formulieren lassen, aber Beispiele vorhanden sind. Häufige Anwendungen sind Bildprüfung, Dokumentenverständnis, Spracherkennung, Empfehlungen, Prognosen, Anomalieerkennung und generative KI. Der passende Anwendungsfall benötigt genügend relevante Daten und ein klares Geschäftsergebnis.
Deep Learning kann komplexe Repräsentationen direkt aus Rohbildern, Audio oder Text lernen, während traditionelles Machine Learning stärker von entwickelten Merkmalen abhängt. Es kann im großen Maßstab gute Ergebnisse liefern, benötigt aber meist mehr Daten, Rechenressourcen und sorgfältige betriebliche Kontrollen. Ein Spezialist sollte beide Ansätze anhand von Anforderungen an Genauigkeit, Latenz, Kosten und Erklärbarkeit vergleichen.
Ein guter Deep Learning Experte verbindet häufig Python, Statistik, Datenaufbereitung und Softwareentwicklung mit Kenntnissen in PyTorch oder TensorFlow. Erfahrung mit Cloud-Infrastruktur, GPUs, APIs, MLOps, Experiment-Tracking und Modell-Monitoring ist für produktive Anwendungen wertvoll. Fachwissen kann in Bereichen wie Fertigung, Gesundheitswesen oder Finanzen ebenfalls sehr wichtig sein.
Das passende Niveau hängt vom Auftrag ab, nicht von einer festen Anzahl an Jahren. Ein Prototyp kann nachgewiesene Kenntnisse in Modellbildung und Daten erfordern, während ein produktives System Erfahrung mit Bereitstellung, Monitoring, Sicherheit und Fehlerbehandlung voraussetzt. Bitten Sie Kandidaten, vergleichbare Ergebnisse, ihren persönlichen Beitrag und die von ihnen getroffenen Abwägungen zu erläutern.
Ja, viele Deep Learning-Aufgaben können remote umgesetzt werden, wenn Datenzugriff, Rechenumgebungen und Kommunikationsabläufe klar definiert sind. Vor-Ort-Termine in München können bei Workshops, Prozessen mit sensiblen Daten oder der engen Zusammenarbeit mit Fachteams helfen. Vereinbaren Sie frühzeitig Zugriffsrechte, Dokumentation, Besprechungssprache und Verantwortlichkeiten für den Support im produktiven Betrieb.
Bewerten Sie, wie der Deep Learning Spezialist das Ziel definiert, Trainings- und Evaluierungsdaten voneinander trennt und die Leistung unter realistischen Bedingungen testet. Achten Sie auf klare Überlegungen zu falsch positiven Ergebnissen, Verzerrungen, Drift, Latenz und Betriebskosten statt auf einen einzelnen beeindruckenden Wert. Ein guter Profi kann auch Einschränkungen in verständlicher Sprache erklären.
Deep Learning kann die bessere Wahl sein, wenn ein Unternehmen ein spezialisiertes Modell, strenge Datenkontrolle, vorhersehbares Verhalten oder Inferenz mit geringer Latenz benötigt. Ein verwalteter generativer KI-Dienst kann für allgemeine Text- oder Medienaufgaben schneller sein, schränkt aber möglicherweise Anpassung, Transparenz oder Bereitstellungsoptionen ein. Die Entscheidung sollte Datenempfindlichkeit, Integrationsaufwand und langfristige Betriebsanforderungen berücksichtigen.
Klären Sie vor der Annahme eines Deep Learning-Projekts das Geschäftsziel, die verfügbaren Daten, den Kennzeichnungsprozess, die Infrastruktur, Abnahmekriterien und die Eigentumsrechte am entstehenden Modell. Bestätigen Sie, ob die Arbeit Forschung, die Integration in den produktiven Betrieb oder laufendes Monitoring umfasst. Besprechen Sie außerdem den Zugang zu Fachexperten und wie Modellrisiken überprüft werden.
Der durchschnittliche Stundensatz von Freelancern in München, Deutschland, die Deep Learning in ihren letzten Projekten eingesetzt haben, liegt bei 106 €, was einem Tagessatz von etwa 849 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in München, Deutschland, die Deep Learning in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 91% mindestens einen Master-Abschluss und 19% einen Doktortitel.
Freelancer in München, Deutschland, die Deep Learning in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 15 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 2,1 Jahre.
Die häufigsten Sprachen unter Freelancern in München, Deutschland, die Deep Learning in ihren letzten Projekten eingesetzt haben, sind Englisch (100%), Deutsch (97%) und Spanisch (28%).
Die häufigsten Industrien unter Freelancern in München, Deutschland, die Deep Learning in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (91%), Automotive (63%) und Bildung (53%).
Die häufigsten Bereiche unter Freelancern in München, Deutschland, die Deep Learning in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Produktentwicklung (100%) und Forschung und Entwicklung (F&E) (94%).
Hauptstandorte der FRATCH Experten, die kürzlich Deep Learning eingesetzt haben
Unsere Freelancer und Interim-Experten sind in der gesamten DACH-Region zuhause — verfügbar vor Ort in den wichtigsten Wirtschaftszentren oder komplett remote. Wähle einen Standort und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Länder:
Kostenlose Demo vereinbaren
Kontaktiere uns und das FRATCH-Team meldet sich innerhalb von 4 Stunden bei dir.
Möchtest du lieber direkt mit uns in Kontakt treten?
Wir haben immer Zeit für einen Anruf oder eine E-Mail!

Berlin
Hamburg
Nürnberg