SciPy Experten in München
, die innerhalb von Minuten aus über 15.000 Lebensläufen per KI gematcht werden.Holen Sie sich Experten, die mit SciPy, NumPy und verwandten Python-Tools numerische Workflows, statistische Analysen und Pipelines für wissenschaftliches Rechnen aufbauen. Erhalten Sie schnelles, präzises Matching mit geprüften, verfügbaren Freelancern.
Lerne FRATCH Experten in München kennen, die kürzlich SciPy eingesetzt haben
Michael Nelz
Letzte Position:
Senior ML-Ingenieur, KI-Ingenieur bei Lanxess AG
- Deployment und Skalierung bestehender ML-Initiativen, unter anderem für Demand- und Cashflow-Prognosen.
- Aufbau eines belastbaren Monitorings mit MLflow für Datenstabilität, Modellperformance und Drift-Erkennung sowie Umsetzung zusätzlicher ML-Use-Cases.
- Weiterentwicklung eines Agentic-AI-Chatbots zur transparenten und verständlichen Modellerklärung.
Krithika Chand
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.
Sebastian Dirndorfer
Letzte Position:
Datenwissenschaftler bei CLADE GmbH
- Entwickelte und implementierte ein robustes, in Python basiertes Datenverarbeitungs-Framework, das den Wechsel von R zu Python ermöglichte und die Produktivität im Data Science deutlich steigerte, indem es wartbare, standardisierte Module für häufig genutzte Workflows bereitstellte und Coding-Best-Practices sowie DevOps-Prinzipien anwandte
- Bewertete, trainierte und implementierte Machine-Learning-Modelle auf Cloud-Plattformen und Edge-Geräten, wodurch vollständig automatisierte Midinfrared-(MIR)-Datenbewertungspipelines entstanden, die manuelle Analyseschritte überflüssig machten und die Zeit von der Messung bis zur Vorhersage für Kunden und interne Stakeholder deutlich verkürzten
- Analysierte und interpretierte multivariate MIR-Spektraldaten des firmeneigenen Analysators mit R und Python und unterstützte so die zuverlässige Identifizierung und Quantifizierung von chemischen Verbindungen in Lösungen
Stephan Sahm
Letzte Position:
Senior Data/ML-Berater & Technischer Leiter bei Jolin.io
Rolle: Software-Ingenieur & Angewandter Mathematiker (Mathematische Optimierung für Terminplanung; Dauer: 1 Monat; Teamzusammenstellung: Team von 2, remote; Technologien: JuMP, Julia, Pluto, Svelte, JavaScript, TypeScript, JetBrains Space, Terraform, Nomad)
Rolle: Software-, Cloud- & Web-Ingenieur (Aufbau eines skalierbaren Data-Science-Rechenclusters von Grund auf; Dauer: 11 Monate; Teamzusammenstellung: Team von 1, vor Ort; Technologien: Terraform, Kubernetes, k8s ingress, k8s services, k8s RBAC, k8s networking, k3s, etcd, S3, DNS, Zertifikate, Julia, Pluto, JavaScript, Tailwind, Astro, npm, Parcel, Preact, MUI, JWT, AWS SQS, AWS RDS, Python, GitLab, GitHub)
Rolle: KI- & Web-Ingenieur (Individueller ChatGPT-Dienst; Dauer: 1 Monat; Teamzusammenstellung: Team von 2, remote; Technologien: Python, Poetry, LangChain, Tailwind, ChatGPT API, Flask, FastAPI)
Rolle: Architekt & Dateningenieur (Einrichtung und Befüllung eines zentralen Data Lakes; Dauer: 9 Monate; Teamzusammenstellung: Team von 5, remote; Technologien: Infrastructure-as-Code, AWS CDK, Python, Boto3, PySpark, AWS Glue, IAM, S3, ECS, Fargate, Lambda, Apache Hudi, DeltaLake, Databricks, GitHub, Jira, Miro)
Rolle: Software-Ingenieur (PoC zur Migration von scikit-decide nach Julia; Dauer: 1 Monat; Teamzusammenstellung: Team von 2, remote; Technologien: Python, Julia, GitHub)
Eyasu Habte
Letzte Position:
Datenwissenschaftler bei Deutsche Bundesbank
- Skripte für Web-Scraping entwickelt, um über 5000 Produktdaten von der Zalando-Website zu extrahieren und zu parsen.
- ETL-Prozesse mit Apache Spark in CDSW durchgeführt, die Daten in das Hadoop-Ökosystem (HDFS) geladen und mit Hive sowie Impala verwaltet.
- Machine-Learning-Algorithmen implementiert und eine Genauigkeit von 85–90 % bei der mehrklassigen Produktklassifikation erzielt.
- Produkt- und Preisdaten von Zalando in Dashboards mit Otto und Takko integriert, um interaktive Visualisierungen zu erstellen.
Daniel Carton
Letzte Position:
Gründer & Geschäftsführer bei BotCraft GmbH
- Aufbau des Unternehmens mit Fokus auf Connectivity für IIoT und Industrie 4.0, iRPA/Prozessautomatisierung, Advanced Robotics und Smart Systems, Sensors and Services
- Projektleitung und Software-Architektur für IoT-Gateway-Entwicklung (seit 2020) mit Protokollübersetzung, IT/OT-Konvergenz und GRC
- Entwicklung von RPA-Bots zur Automatisierung und Überwachung industrieller Prozesse mit agentischem AI-Ansatz (seit 2020)
- Implementierung von Unsupervised Clustering und Anomalieanalyse für Zeitreihendaten in BigData-Streaming-Pipelines (seit 2021)
- Einführung eines Docker-basierten Release-Trains für OTA-Updates mit DevSecOps und CI/CD (seit 2018)
Anton Klonov
Letzte Position:
Leiter der technischen Gesamtintegration NSC / Entwicklung von Hadoop Cloud bei IABG
Leiter der technischen Gesamtintegration NSC (National Secure Cloud, Projekt mit ca. 60 Mitarbeitern).
Technische Integration aller Subprojekte in ein Produkt, Definition von Schnittstellen, Basiskomponenten einer Cloud inklusive Hardware, technische Architektur der Basis IABG.
Entwicklung einer Cloud-Management-Plattform (CMP), die in der Lage ist, Private/Mixed-Cloud beliebiger Komplexität anhand einer textuellen Beschreibung per Klick oder interaktiv zu erstellen.
CMP beinhaltet auch den kompletten Zyklus des Hardware-Managements.
Als Basis werden Kubernetes, OpenStack und Hadoop eingesetzt.
Die Managementschicht umfasst Harbor, Gitea, Longhorn, Keycloak, Rancher und Jenkins, die automatisch konfiguriert sind.
Private Cloud kann beliebige Workloads von Kunden ausführen, darunter die komplette Hadoop-Schicht mit HDFS, Spark, MapReduce, Mesos, HBase und ca. 20 weiteren ML-/DL-Technologien.
Hadoop-Worker-Cluster können auch ohne Kubernetes auf Bare Metal oder Standardhardware automatisch installiert werden.
OpenStack mit Nova, Neutron, Ironic, Swift, Cinder und Ceph.
Entwicklung einer Java-Anwendung Rudi: SOAP, REST, Container, DB.
Technologien: Kubernetes (K3s, Rke2, Minikube, Harbor, Gitea, Jenkins, Longhorn, Keycloak, Rancher), OpenStack (Nova, Neutron, Keystone, Swift, Ceph, Cinder, Sahara, Magnum, Kayobe, Kolla, Bigrost, Ironic), Hadoop (HDFS, Ambari, Solr, Livy, Ranger, YARN, Tez, HBase, Kafka, Hive, Zookeeper, MapReduce, Spark, Oozie, Flink), Virtualisierung (Kubernetes (K3s), VMware, Oracle), Skripting (Ansible, Puppet, Juju, Shell, Groovy, Gradle, Maven).
Janusz Mazurek
Letzte Position:
IoT Edge Computing / Autonomes Fahren bei Automotive, Beratungsunternehmen
- Plattform: Python-Ökosystem, RHEL 8, K10, AWS IoT Core, AWS Lambda, MLOps
- Software: Java JEE/Cloud, IntelliJ IDEA, AWS IoT Core, AWS Edge und Lambda, AWS SageMaker SDK, Docker Compose, Kubernetes, Openshift 4, Tekton, Flux, Helm Charts, JSON/XML-Technologien, Nginx, Apache Spark, OpenAI (GPT Plus, DALL-E 3, Whisper), GAN, GitHub Copilot, KI, Machine Learning, Deep Learning, Jupyter Notebooks, TensorFlow 2, Colab, Keras API, Prometheus, Grafana, Conda, Python 3.9, SciPy-Stack (NumPy, pandas, scikit-learn, matplotlib)
- Zuständig für Webinar:
- IoT Edge Computing, Architektur, Komponenten, Ressourcen, Management
- IoT Edge Computing mit MicroK8s, Design und Erstellung von Flows/Diagrammen für AWS, Three-Step-Modell für IoT-Ökosystem
- IoT-Prozesse, Konnektivität, Datentransfer und Deployment, Sicherheit
- Optimierung des Edge Computing für Netzwerke, Services im IoT (AWS SQS Queue, SNS-Benachrichtigungen, Events, Analytics, Button, Device Management/Defender, Things Graph)
- Machine-/Deep-Learning-Frameworks (Modelle, Training, Optimierung der Pipelines, Deployment in der Cloud/am Edge, Monitoring der Workloads mit Prometheus und Grafana)
- Performance-Optimierung für niedrige Latenz/Resilienz mittels adaptiver ML/DL/RL-Modelle für Kundendaten aus dem IoT
- Analyse großer Sensordatenmengen mit Apache Spark, Kafka-Clustern
- Kasten K10 Data Management Platform auf Kubernetes-Multi-Cluster mit Helm Chart: Deployment, Backup/Disaster Recovery (RTO/RPO), Data Lifecycle und Security Management
- Implementierung eines mehrschichtigen neuronalen Netzes (ANN) mit TensorFlow 2 und Colab für Regression und Klassifikation; Datenanalyse und Aufbereitung für Applikationen; Entwicklung von Test- und Trainingsmodellen; Deployment der Modelle
- Automatisierung von Business-Streamline-Prozessen mit KI (Azure OpenAI, Discord-Bots/Zapier, AI-Assistenten-Apps IntelliJ, GitHub Copilot)
Ali Habesoglu
Letzte Position:
Werkstudent Datenannotation bei Gini GmbH
- An verschiedenen Annotation-Projekten für Machine-Learning-Modelle mitgewirkt und so zur Entwicklung und Verfeinerung von KI-Algorithmen beigetragen.
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die SciPy einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
15 Jahre
Positionsdauer
1,8 Jahre
Positionen pro Freelancer
12
Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Forschung und Entwicklung (F&E)
Häufigste Branchen
Informationstechnologie (IT), Bildung, Professionelle Dienstleistungen
Fokus der Zertifizierungen
Business Intelligence, Informationstechnologie (IT), Projektmanagement
Bachelor-Abschluss oder höher
100%
Master-Abschluss oder höher
89%
Doktortitel
22%
Zertifizierungen pro Freelancer
3
Häufigste Sprachen
Deutsch, Englisch, Spanisch
Sprechen zwei oder mehr Sprachen
100%
Basierend auf unserem Profilpool, Stand 30 Aug 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Freelancer in dieser Technologie in München verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, wie viele Freelancer innerhalb dieser Spanne abrechnen.
Durchschnittssätze von Experten in München, die SciPy 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 30 Aug 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Über die Technologie
Wissenschaftliches Rechnen
SciPy ist eine zentrale Python-Bibliothek für wissenschaftliches Rechnen. Sie ergänzt bewährte Werkzeuge für Optimierung, Integration, Signalverarbeitung, Interpolation und Statistik. Unternehmen nutzen sie, um Rohdaten in Modelle, Analysen und reproduzierbaren Forschungscode zu verwandeln.
Was Teams damit bauen
- Skripte für Datenanalyse und Simulation
- Optimierungsroutinen für Ingenieur- und Forschungsarbeit
- Verarbeitung von Signalen, Bildern und Zeitreihen
- Numerische Methoden in Python-Anwendungen
SciPy wird oft zusammen mit NumPy, pandas und Matplotlib genutzt, um von der Berechnung bis zum Reporting zu kommen.
Skills im Ökosystem
Gute Spezialisten kennen den SciPy-Stack, den Umgang mit Arrays, Vektorisierung und numerische Stabilität. Sie verstehen auch Tests, Dokumentation und wie wissenschaftlicher Code für andere Experten lesbar bleibt.
Zu den typischen Tools rund um SciPy gehören Jupyter, NumPy, pandas, Matplotlib und scikit-learn. In München passt diese Mischung oft gut zu Aufgaben in Industrie-Software, Mobilität, Forschungsgruppen und Analytics-Teams.
Wann Unternehmen Hilfe brauchen
Unternehmen holen freiberufliche SciPy-Spezialisten dazu, wenn ein Modell instabil ist, ein Skript zu langsam läuft oder ein Forschungsprototyp zu wartbarem Code werden soll. Sie helfen auch, wenn interne Teams Unterstützung bei der Methodenauswahl, beim Refactoring oder bei der Validierung brauchen.
- Numerische Sonderfälle beheben
- Array-lastigen Code beschleunigen
- Wissenschaftliche Logik und Ergebnisse prüfen
- Übergabedokumentation vorbereiten
Was starke Profis tun
Ein starker SciPy-Profi macht mehr als nur Bibliotheksfunktionen aufzurufen. Er prüft Annahmen, wählt die richtige Methode und verifiziert die Ergebnisse anhand des Problems, nicht nur anhand des Codes.
Er schreibt klare Funktionen, hält Abhängigkeiten klein und erklärt Grenzen frühzeitig. Das ist wichtig, wenn die Arbeit Entscheidungen in Ingenieurwesen, Biotech, Finanzen oder angewandter Forschung unterstützt.
Einstellen in München
Für Teams in München ist SciPy-Know-how nützlich in Projekten, die Python mit lokaler Forschung, industrieller Analyse und Produktentwicklung verbinden. Viele Aufgaben lassen sich remote erledigen, aber die Zusammenarbeit vor Ort kann helfen, wenn die Arbeit von fachlicher Prüfung oder engem Feedback der Stakeholder abhängt.
Klare Kommunikation auf Englisch reicht für internationale Teams oft aus. Wenn Ihre Arbeit regelmäßige Reviews von Formeln, Plots oder Validierungsschritten braucht, suchen Sie nach Spezialisten, die Methoden in einfacher Sprache besprechen können.
Häufig gestellte Fragen
Fragen zu SciPy? Hier findest du die passenden Antworten.
SciPy wird für wissenschaftliche und numerische Arbeit in Python verwendet. Teams setzen es für Optimierung, Integration, Interpolation, Statistik und Signalverarbeitung ein. Es passt gut, wenn es mehr um verlässliche Methoden und reproduzierbare Ergebnisse geht als um den Aufbau einer klassischen Business-App.
SciPy liegt eng bei NumPy und nutzt es oft als Grundlage für Arrays und Mathematik. pandas ist besser für tabellarische Daten, während sich scikit-learn auf Machine-Learning-Workflows konzentriert. Ein guter Spezialist weiß, wann SciPy die richtige Ebene ist und wann eine andere Bibliothek übernehmen sollte.
Ein starker SciPy-Spezialist sollte auch NumPy, Jupyter, Visualisierungstools und grundlegende Statistik kennen. Bei vielen Projekten sind Python-Packaging, Tests und Dokumentation genauso wichtig. Wenn die Arbeit Forschung oder Ingenieurwesen betrifft, ist Fachwissen ein großer Pluspunkt.
Eine kleine Bereinigungsaufgabe braucht vielleicht nur einen Spezialisten, der die relevanten Funktionen und die Datenstruktur kennt. Komplexe Arbeit wie numerische Modellierung oder Optimierung braucht jemanden, der Stabilität, Annahmen und Validierung versteht. Je höher das Geschäftsrisiko der Ergebnisse ist, desto wichtiger wird tiefes SciPy-Know-how.
Die meiste SciPy-Arbeit kann remote erledigt werden, weil sie in Python-Code, Notebooks und Review-Sitzungen stattfindet. Vor Ort in München hilft es, wenn das Projekt von sensiblen Daten, Labor-Kontext oder schnellem Feedback von Fachexperten abhängt. Viele Teams nutzen ein gemischtes Setup.
Achten Sie auf sauberen Code, klare Erklärungen und den Nachweis, dass der Spezialist die Ergebnisse am echten Problem geprüft hat. Gute SciPy-Arbeit ist nicht nur korrekte Ausgabe; sie ist stabil, testbar und für andere leicht wartbar. Fragen Sie, wie mit Sonderfällen, Datenqualitätsproblemen und Validierung umgegangen wird.
SciPy ist in der Forschung sehr verbreitet, aber auch in Produktteams nützlich, die numerische Logik in einem Python-System brauchen. Dazu gehören Engineering-Tools, Analytics-Funktionen, Prognosen und simulationsbasierte Workflows. Wichtig ist, dass der Code robust genug für den Produktionseinsatz bleibt.
Fragen Sie, welche Teile des Workflows zuerst geprüft würden, wie numerische Ergebnisse validiert werden und was passiert, wenn eine Methode mit echten Daten scheitert. Ein guter SciPy-Experte sollte Abwägungen in einfachen Worten erklären können. Fragen Sie außerdem, ob er sich mit Ihrem bestehenden Python-Stack und Ihrem Teamprozess wohlfühlt.
Der durchschnittliche Stundensatz von Freelancern in München, Deutschland, die SciPy in ihren letzten Projekten eingesetzt haben, liegt bei 102 €, was einem Tagessatz von etwa 818 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in München, Deutschland, die SciPy in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 89% mindestens einen Master-Abschluss und 22% einen Doktortitel.
Freelancer in München, Deutschland, die SciPy in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 15 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,8 Jahre.
Die häufigsten Sprachen unter Freelancern in München, Deutschland, die SciPy in ihren letzten Projekten eingesetzt haben, sind Deutsch (100%), Englisch (100%) und Spanisch (44%).
Die häufigsten Industrien unter Freelancern in München, Deutschland, die SciPy in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (78%), Bildung (56%) und Professionelle Dienstleistungen (56%).
Die häufigsten Bereiche unter Freelancern in München, Deutschland, die SciPy in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (89%), Produktentwicklung (78%) und Forschung und Entwicklung (F&E) (78%).
Hauptstandorte der FRATCH Experten, die kürzlich SciPy 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:
Berlin Hamburg 
München Köln Frankfurt Stuttgart Düsseldorf Leipzig Dortmund Essen Bremen Dresden Hannover Nürnberg 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!
Philipp Thomaschewski
FRATCH CEO
