Ich führe Datenwissenschaft, ML und prädiktive Analytik mit Python durch
AI Agent Entwickler Claude Code LangChain n8n Data Science Experte
Über diesen Service
Deine Tabelle enthält eine Entscheidung, die darin versteckt ist. Meine Aufgabe ist es, sie zu finden und zu beweisen, dass sie Bestand hat.
92,85 % ROC AUC Churn-Modell (DT International), Prophet R²=0,80 bei über 160.000 Einträgen, SVM 86 % bei über 4 Mio. Amazon-Bewertungen.
Ich mache Data Science und ML im Bereich vorzeitig Python Churn, Forecasting, Klassifikation, Segmentierung – vom unordentlichen Rohdaten-Input bis zu einem Modell, dem du vertrauen und auf das du reagieren kannst.
Ich liefere kein Notebook voller Diagramme und sage, es sei fertig. Jedes Projekt endet mit einer verständlichen Erklärung, was das Modell gefunden hat, wie sicher es ist und was das für deine Entscheidung bedeutet.
Was du bekommst:
- Explorative Datenanalyse + ein Bericht zur Datenqualität (unordentliche Daten sind normal, ich plane dafür)
- Feature Engineering und Modellauswahl (Random Forest, XGBoost, Prophet, LSTM und mehr)
- Validierung und Feinabstimmung, mit ehrlicher Genauigkeitsangabe inklusive der Bereiche, in denen das Modell Schwierigkeiten hat
- SHAP-Erklärungen, damit du sehen kannst, welche Faktoren jede Vorhersage beeinflussen
- Ein sauberer Übergabeprozess: Notebook, schriftlicher Bericht oder ein deployter Service deiner Wahl
Gib deine Bestellung auf, teile dein Dataset und dein Ziel im Anforderungsformular. Brauchst du eine Machbarkeitsprüfung? Schick mir eine anonymisierte Probe.
Mein Portfolio
FAQ
Automatische Übersetzung
Welche ML-Probleme bearbeitest du?
Churn-Vorhersagen, Nachfrage- und Zeitreihenprognosen, Klassifikation, Segmentierung, Regression – Bereiche, in denen ich nachweisbare Ergebnisse geliefert habe (92,85 % ROC AUC, R²=0,80, SVM 86,01 %).
Meine Daten sind unordentlich und unvollständig – ist das ein Problem?
Das ist der normale Ausgangspunkt. Jedes Projekt beginnt mit einer explorativen Analyse, bei der fehlende Werte, Ausreißer und Inkonsistenzen aufgedeckt werden, und du erhältst vor dem Modellieren einen schriftlichen Bericht zur Datenqualität.
Wie weiß ich, dass Vorhersagen kein Black Box sind?
SHAP-Erklärungen (Standard up) zeigen genau, welche Features jede Vorhersage beeinflusst haben, in verständlicher Sprache – ich erkläre dir das beim Übergabegespräch.
Wirst du mir sagen, wenn die Daten nicht stark genug sind?
Ja – direkt und frühzeitig. Ich möchte eine Datenbeschränkung lieber in der ersten Woche ansprechen, als ein Modell zu liefern, das in Tests gut aussieht, aber in der Produktion versagt.
Stellst du das Modell bereit oder gibst du nur ein Notebook ab?
Beides – Basic ist Notebook + Bericht; Standard/Premium kann einen bereitgestellten Service enthalten (FastAPI, containerisiert).
Können Sie mit großen Datensätzen umgehen?
Ja – kürzlich habe ich über 4 Mio. Amazon-Bewertungen auf Apache Spark mit MLlib verarbeitet. Skalierung ist selten das Limit; die Datenqualität ist meist das Problem.
Was, wenn die Genauigkeit nach der Lieferung enttäuscht?
Dafür sind Revisionen da – ich justiere, re-validate und nutze die SHAP-Analyse, um zu zeigen, was die Lücke verursacht. Der Umfang der Revision umfasst Methodik + Feature Engineering auf den Daten, die du bereitstellst; sie kann grundlegende Datenqualitätslimits nicht überschreiben, die ich *vor* dem Modellieren kennzeichne.
Kann mein Team die Ergebnisse ohne Data Scientist nutzen?
Ja – Standard+ beinhaltet eine Streamlit-Demo oder einen Bericht in einfachem Englisch; um Ergebnisse konversationell abzufragen, sieh dir mein RAG-Chatbot-Gig an; für eine Live-Model-API füge den FastAPI-Endpunkt hinzu.
Antwortgeschwindigkeit und Eigentum an der Arbeit?
Ich antworte innerhalb weniger Stunden (UK/EU-Morgen + US-East-Nachmittag-Überlappung, asynchron via Fiverr). Du besitzt das Notebook, die Modelle und den Code bei Lieferung; ich behalte keine Kopien; NDA ist verfügbar.

