Expert*innen

Ihr benötigt Unterstützung bei spezifischen Themen und sucht dafür Referentinnen? Wir vermitteln Expertinnen aus unserem Netzwerk an die Zivilgesellschaft. Für die Kontaktdaten unserer Expert*innen und für generelle Anfragen könnt Ihr uns gerne unter education [at] correlaid [dot] org kontaktieren.

Anastasiia Kulakova

Anastasiia Kulakova

Maschinelles Lernen in Arbeitsprozessen, Python für Automatisierungen, Datenvisualisierung

Ich bin ein Full-Stack Data Scientist und ein Scrum Master, der sich gerne mit den Daten und den Prozessen beschäftigt, aus denen sie stammen. Da ich sowohl in der Forschung und Entwicklung von Machine-Learning-Modellen als auch im operativen Geschäft gearbeitet habe, kann ich Ad-hoc-Analysen effizient durchführen und Datenlösungen langfristig produzieren. Ich lasse mich von Konzepten der Präzisionswirtschaft inspirieren und strebe danach, einen Beitrag zu einer nachhaltigeren Welt zu leisten (derzeit bei einem Start-up-Unternehmen für Elektromobilität, Jedlix). Technik, die ich benutze: Python, Spark, SQL, dbt, Databricks, Airflow / Dagster, Tableau, Azure Stack.

- LinkedIn

Ann-Kristin Vester

Ann-Kristin Vester

Datenstrategie, Datenvisualisierung, Excel

Meine Erfahrungen als Data Scientist in der IT- und Finanzbranche gebe ich als Dozentin für Datenanalysen und Statistik weiter. Ich gebe Workshops in Data Strategy/Data Culture, Programmierkurse in R (v.a. Tidyverse, Visualisierung, Machine Learning) und Excel-Kurse.

- GitHub - Website

Arndt Leininger

Arndt Leininger

Umfragen, Kausale Inferenz, R

Ich bin Juniorprofessor für Politikwissenschaftliche Forschungsmethoden an der Technischen Universität Chemnitz. Mein inhaltlicher Schwerpunkt liegt auf der politikwissenschaftlichen Wahl- und Einstellungsforschung. Ich bearbeitete dieses Themenfeld mit Hilfe quantitativer Methoden auf Basis von Aggregat- und Individualdaten und führe dazu auch selbst Umfragen durch. Von Zeit zu Zeit gebe ich Einführungskurse in die statistische Programmiersprache R.

- GitHub - Website

Daniela Vogler

Daniela Vogler

Business Intelligence (BI), Qlik Sense, Medical Data Science

Ich arbeite als Beraterin für Business Intelligence mit Qlik Sense und gebe meine Kenntnisse zur Erstellung von aufschlussreichen Datenanalysen und Dashboards gerne an die Zivilgesellschaft weiter. Als Medical Data Scientist berate und unterstütze ich außerdem gerne bei der Anwendung von statistischen Modellen und Machine Learning im Kontext von Medizin und Public Health.

- GitHub - Website

Francesco Gastaldello

Francesco Gastaldello

Datenstrategie, Datenvisualisierung, Excel

Ich arbeite seit vielen Jahren mit Daten, vor allem in der Pharma-/Biotech-Branche und seit kurzem auch im Bereich E-Learning. Ich verfüge über umfangreiche Kenntnisse in Python und erweitere meine AWS-Kenntnisse Tag für Tag. Ich interessiere mich für alles, was mit Datenmanipulation/Modellierung/Orchestrierung zu tun hat, um Big-Data-Plattformen und KI-Systeme zu bedienen.

- GitHub - LinkedIn

Henry Webel

Henry Webel

Python, Deep Learning, Git

Ich analysiere Daten im biomedizinischen Bereich mit Tools in Python. Ich kenne mich mit Bereichen des Deep Learning (hauptsächlich self-supervised) aus und habe ein allgemeines Interesse an Softwareentwicklung. Ich bin vertraut mit snakemake für Workflows, git+github für Versionskontrolle, github-Workflows, github-Seiten und VS Code oder JupyterLab für die Programmierung.

- GitHub

Katharina Kloppenborg

Katharina Kloppenborg

Citizen Science, User Experience (UX), Textverarbeitung (NLP)

Ich promoviere derzeit im Bereich der partizipativen Entwicklung von Citizen Science Plattformen an der Université Paris Cité. Ich habe einen M.Sc. in Angewandten Kognitionswissenschaften absolviert, mit einer Bachelorarbeit zur nutzerzentrierten Entwicklung von einer App zum Monitoring von mentaler Gesundheit, und einer Masterarbeit im Bereich NLP zur Erkennung von Hate Speech. Zwischenzeitlich habe ich als User Experience Researcher in einer Agentur mit Kunden primär aus dem öffentlichen Sektor in Deutschland gearbeitet. Sprachen: Deutsch, Englisch, Französisch

- GitHub

Marcus Voß

Marcus Voß

Künstliche Intelligenz, Zeitreihen, KI und Nachhaltigkeit

Ich bin KI-Experte und Berater bei Birds on Mars. Von dort aus habe ich Erfahrung in der Umsetzung von KI Proof-of-Concept-Projekten (Zeitreihen, Optimierung, Computer Vision), in der Einführung von KI in “Production” und in der Befähigung von Unternehmen und Menschen in Unternehmen, KI zu nutzen. Zuvor habe ich in der Forschung an der Analyse von Energiezeitreihen gearbeitet. Ich unterrichte leidenschaftlich gern Data Science und KI-Themen für verschiedene Zielgruppen. So zum einen in Trainings bei Unternehmen oder zum anderen als externer Dozent, zum Beispiel an der TU Berlin Summer University, der Climate Change and AI Summer School, der Hertie School, der CODE University of Applied Sciences und der Leuphana Universität Lüneburg. Auf der fachlichen Seite interessiere ich mich für alle Anwendungen von KI und Daten in nachhaltigen, umwelt- und klimarelevanten Anwendungen.

- GitHub - Website - LinkedIn

Michael Aydinbas

Michael Aydinbas

Cloud (incl. AWS), Maschinelles Lernen & Deep Learning in Python, Spark

Ich arbeite als Lead Data Engineer bei Exxeta an der Schnittstelle von Data Science, Data Engineering und Data Strategy. Ich betreue alle möglichen Projekte mit Datenbezug, unter anderem die Konzeption und Umsetzung von Datenplattformen und Data Processing (ETL/Pipelines), maßgeschneiderte Lösungen für Datenverarbeitung und Datenanalyse, Anbindungen und Auswertung von Daten, sowie problemorientierte Lösungsverfahren mit Machine Learning und AI. Ich bin Experte in Python und der Entwicklung von Python-Anwendungen sowie von Big Data Processing, u.a. mit Apache Spark. Daneben arbeite ich auch als Autor und Coach und gebe mein Wissen in Python, Data Science, ML & AI auf Seminaren und Schulungen weiter.

- GitHub - Website - LinkedIn

Nina Hauser

Nina Hauser

Wirkungsmessung, Data Analytics, datenwissenschaftliche Bildung, Design Thinking

Bei den Vereinigten Nationen und Deloitte habe ich tiefe Kenntnisse in der strategischen Konzeptionierung und praktischen Durchführung von Wirkungsmessung gewonnen. Ich programmiere in R, bin allerdings auch mit Python und Tableau vertraut. Für CorrelAid e.V. habe ich einen praxisnahen Bildungskurs zu Daten und R entworfen, der moderne, pädagogische Konzepte wie das umgedrehte Klassenzimmer nutzt und eine hauseigene Lernplattform beinhaltet.

- GitHub - LinkedIn

Selma Hadzic

Selma Hadzic

Datenwissenschaft und maschinelles Lernen, produktionsreife Modelle, Liefermanagement

Als Experte für Datenwissenschaft und maschinelles Lernen habe ich Teams von Datenwissenschaftlern geleitet und skaliert, End-to-End-Projekte geplant, mit mehreren internationalen Stakeholdern koordiniert und die Lieferung gesteuert. Ich bin sehr versiert in Python, maschinellem Lernen, Datenvisualisierung, Projekt- und Liefermanagement, Stakeholder- und Teammanagement, agilen Methoden für Data Science, Big Data, produktionsreifen Modellen, Orchestrierungstools, CI/CD und Cloud-Plattformen.

- LinkedIn

Tim Fangmeyer

Tim Fangmeyer

Datenanalyse mit Python und R, Geodaten- und Visualisierungen, Wordpress

In der Datenanalyse interessiere ich mich vor allem für das Bearbeiten von größeren Datensätzen mit Tools wie Pandas (Python) oder dem R Tidyverse. In meiner beruflichen Tätigkeit im Managen von Websites in der IT beschäftige ich mich außerdem mit dem Aufsetzen von Seiten mit dem Content-Management-System Wordpress und den dazugehörigen Plugins. Karten und Visualisierungen von Geodaten gehören zu meinen erweiterten Kenntnissen.

- Website

Andrew Sutjahjo

Andrew Sutjahjo

Scoping von Data Science-Projekten; Such- und Empfehlungssysteme; NLP für soziale Medien

Ich bin ein Datenwissenschaftler, der Erfahrungen in großen Beratungsunternehmen, Start-ups und Scale-ups gesammelt hat. Die meiste Zeit meiner Karriere habe ich mich auf Such- und Empfehlungssysteme für so unterschiedliche Dinge wie Polizeidetektiven, Secondhand-Mode und dem Matching von Jobs und Menschen konzentriert. Ich kenne mich mit dem gesamten Weg eines Data-Science-Projekts aus: Scoping und Exploration, Produktion, Überwachung und Testen sowie die Übergabe des Projekts in einem Zustand, in dem andere es leicht verbessern können. Tech Stack: Python, Scala, Golang, Docker, Kubernetes, Terraform, GCP/AWS, SQL, NoSQL, Hadoop Stack, Elasticsearch.

- Website