Hallo, ich bin
Shpetim Gashi
Data Scientist, Prognose & Optimierung
Data Science und Softwareentwicklung am HELLA InnovationLAB von 2022 bis 2026, vom dualen Studium bis zur Projektleitung eines Forschungsprojekts zu Reinforcement Learning. Python für Zeitreihenprognose, lineare Optimierung und Reinforcement Learning, dazu die getestete Software um die Modelle: Mit einem von mir weiterentwickelten Werkzeug zur Materialoptimierung haben ausgewählte Nutzer schon vor meinem Wechsel produktiv gearbeitet.
Berufsbegleitender M.Sc. Data Science and Intelligent Analytics im Wochenendformat, mit einer Vollzeitstelle vereinbar, Teilnahme auch remote möglich; Abschluss voraussichtlich Juli 2027. Kurzfristig verfügbar und umzugsbereit.
Ausgewählte Projekte
Reinforcement Learning für Komfortbedingungen in Gebäuden
Simulationsbasierte Reinforcement-Learning-Experimente für Regelungsaufgaben in der Gebäudetechnik. Trainiert wurden PPO-Agenten mit stable-baselines3 und Gymnasium; die Umgebung beruht auf Radiance-basierten Simulationswerkzeugen, die Experimente wurden mit TensorBoard verfolgt. Annahmen und Grenzen der Simulation sind ausdrücklich benannt.
Fertigungsoptimierung
Werkzeug zur Materialoptimierung auf Basis des linearen Programms eines Kollegen in PuLP, das ich weiterentwickelt habe: Modell erweitert, die Oberfläche in Streamlit und Flask und pytest-Tests ergänzt und eine CI-Pipeline aufgebaut, die vor jedem Release Referenzfälle mit bekannten Soll-Ergebnissen prüft. Ausgewählte Nutzer arbeiteten schon vor meinem Weggang produktiv damit.
Plattform für strukturiertes Komfort-Feedback
Ein Software-Engineering-Projekt an der Hochschule mit einem realen gebäudetechnischen Anwendungsfall: eine wartbare Flask-Anwendung zum Erfassen und Verwalten von strukturiertem Nutzerfeedback, mit Authentifizierung und Rollenverwaltung, PostgreSQL-Persistenz, administrativen Abläufen, REST-Integration, automatisierten Tests, Containerisierung und CI/CD.
Bedarfsprognose & Modell-Benchmarking
Pipeline für Zeitreihenprognosen, bei der das Bewertungsverfahren vor der Modellierung festgelegt wurde: LSTM-Modelle in TensorFlow/Keras wurden in rollierenden Evaluationsfenstern mit (S)ARIMA-Baselines in statsmodels verglichen, und zwar für jeden Prognosehorizont einzeln.