Arian Bajrami
FESTANSTELLUNGKI Profi kontaktieren
Lesezeichen Details
Profil • Selbstdarstellung
Mit einem fundierten akademischen Hintergrund in Computational Science und Engineering und einer tiefgreifenden Erfahrung in Datenwissenschaft und maschinellem Lernen bin ich leidenschaftlich daran interessiert, die Grenzen der künstlichen Intelligenz (KI) zu erweitern und sie in praktische Anwendungen zu überführen.
Als versierter Programmierer bin ich in Python, C++ und MATLAB/Simulink bewandert und verfüge über umfangreiche Kenntnisse in Tools wie Tensorflow/Keras, PyTorch und Scikit-Learn.
Wenn Sie auf der Suche nach einem Experten sind, der sowohl theoretisches Wissen als auch praktische Erfahrung in der Welt der KI mitbringt, bin ich bereit, Ihre Herausforderungen anzunehmen und innovative Lösungen zu liefern.
Fachlicher Hintergrund
• Abschlussnote: 1,7
• Masterarbeit: Comparison of Statistical and Deep Learning Forecasting Models Based on a Use Case in Energy Science (Note: 1.0)
• Schwerpunkte:
– Deep Learning für Computer Vision und Zeitreihenvorhersage
– Numerik und wissenschaftliche Berechnung
– High Performance Computing (HPC)
• Abschlussnote: 2,4
• Bachelorarbeit: Strukturmechanische Analyse eines Zylinderkopfes zur Vorbereitung von Schallfeldberechnungen (Note: 1.7)
• Schwerpunkte:
– Fahrzeugtechnik
– Finite Elemente Methode (FEM)
• Staatliche Fachoberschule Straubing
• Fachrichtung: Technik
• Abschlussnote: 1,9
Berufserfahrung | Referenzen
Nowadays, lowering CO2 emissions is paramount to the common goal of combating climate change and working towards a sustainable future. Generating accurate short-term CO2 forecasts can help achieve this objective by enabling the scheduling of storage and flexible electricity consumers of the power grid to minimize emissions. Recent work used statistical approaches like SARMA and deep learning to predict the average CO2 emission factor of the power grids of various European countries. This thesis aims to provide probabilistic, short-term forecasts of the CO2 emission factor of the German power grid. Different statistical and machine learning models, such as SARMAX, ensemble learners, and neural networks, are created for forecasting the CO2 emission factor time series. The prediction models are selected based on a created model selection methodology. The forecast models use market data forecasts, scheduled imports and exports, and lagged values of the CO2 emission factor for their predictions. Afterward, the advantages and disadvantages of the built forecasting models are evaluated. Here, both the predictive accuracy and uncertainty of the various models are considered for the evaluation process of the CO2 emission factor prediction models. Finally, a heterogeneous ensemble combines statistical approaches with machine learning models.
The following Python packages have been used to create this thesis:
– NumPy
– Pandas
– Matplotlib
– Statsmodels
– Scikit-learn
– Keras
– Tensorflow
– Visualkeras