ROBIN WITTE

Data Science | Machine Learning | Computer Vision

Ausbildung

2012 - 2016

Westfälische Hochschule Standort Bocholt

Studienfach: Bionik (B.Sc.)

ohne Abschluss – Alle Leistungen bis auf die Bachelorarbeit erbracht

2016 - 2019

Friedrich-Schiller-Universität Jena

Studienfach: Angewandte Informatik (B.Sc.)

Anwendungsfach: Computational Neuroscience

Abschluss: B.Sc.

2019 - 2022

Heinrich-Heine-Universität Düsseldorf

Studienfach: Artificial Intelligence and Data Science (M.Sc.)

Teilnahme an ausgewählten Vorlesungen (kein Abschluss)

Erfahrung

2020 - 2021

Ella Media AG

Data Scientist (Wekstudent)

2020 - 2025

FIMO Health GmbH

Data Science Manager

Nebenjobs / Praktika

2014 - 2015

Westfälische Hochschule Standort Bocholt

Lehrstuhl Biologie

Studentische Hilfskraft

2017 - 2019

Universitätsklinikum Jena

Hans Berger Department of Neurology

Studentische Hilfskraft

02. 2016 - 04. 2016

Eberhard Karls Universität Tübingen

Lehrstuhl Kognitive Systeme

Grundlagenstudien im Bereich Autonome Mobile Robotik

04. 2019 - 06. 2019

Universitätsklinikum Jena

Structural Brain Mapping Group

Verarbeitung von MRT-Daten unter Anwendung maschineller Lernverfahren

Veröffentlichung

2019

Schmidt, A., Witte, R., Swiderski, L., Zöllkau, J., Schneider, U., & Hoyer, D.

Advanced automatic detection of fetal body movements from multichannel magnetocardiographic signals

Physiological measurement 40.8

Programmiersprachen

Python

Matlab

Java

HTML

CSS

Projekte

Recommender system: Using singular value decomposition as a matrix factorization approach

The task of a recommender system is to recommend items, that fit the user’s taste. The approach, that makes use of only user activities of the past, is termed collaborative filtering. Given a not fully specified user-item ratings Matrix, a collaborative filtering algorithm estimates robustly all missing entries. In this project I described a collaborative filtering algorithm, that uses singular value decomposition (SVD) as a form of matrix factorization. The approach is based on Simon Funk’s method, which was invented for the Netflix-Challenge.

The mathematical description of the method can be found in the PDF-File. The code was written in a Jupyter notebook, which can be found on GitHub.

Bayessche Optimierung: Theoretische Grundlagen der Hyperparameteroptimierung

Bayessche Optimierung ist eine globale Optimierungsmethode, die sich insbesondere für die Hyperparameteroptimierung von maschinellen Lernverfahren eignet. Im Gegensatz zu anderen Optimierungsverfahren wird bei der Bayesschen Optimierung ein probabilistisches Modell für die Zielfunktion erstellt und dieses dann in einem iterativen Verfahren durch Hinzunahme weiterer Datenpunkte aktualisiert und verbessert. Hierbei ist der Grundgedanke, dass die gesamte Information aller berechneten Datenpunkte genutzt werden kann und nicht nur der lokale Gradient des letzten bestimmten Datenpunktes. In diesem Projekt stellte ich die theoretischen Grundlagen der Bayesschen Optimierung dar. Die Beschreibung ist als PDF downloadbar.

Simple spelling corrector based on Bayesian inference

In this project I implemented a simple spelling corrector, based on Bayesian inference. I formulated spelling correction as a classification problem and used Bayesian inference to obtain results. Although the basic problem formulation is straightforward, there is plenty room to improve the developed models. I used a simple unigram model as language model and trained it with an EBook of The Adventures of Sherlock Holmes by Sir Arthur Conan Doyle. The implementation is based on chapter 5 of the book „Speech and Language Processing“ by Daniel Jurafsky & James H. Martin. The code was written in a Jupyter notebook, which can be found on GitHub.

Bachelorarbeit: Optimierung von Vorverarbeitungsparametern bei der Bestimmung des biologischen Alters des Gehirns

Die Altersvorhersage aus MRT-Aufnahmen mithilfe von maschinellen Lernverfahren stellt einen Biomarker für das biologische Alter des Gehirns dar. Die Vorverarbeitung der Aufnahmen beinhalten dabei ein Resampling auf eine bestimmte Voxelgröße und eine Glättungsfilterung. Die Parameter dieser Vorverarbeitungsschritte werden dabei meist willkürlich gewählt. Da auch führende Algorithmen zur Altersbestimmung einen gewissen Fehler enthalten, wurde in dieser Bachelorarbeit der Einfluss der Vorverarbeitungsparameter auf die Genauigkeit der Altersbestimmung und die Möglichkeit der Optimierung dieser Parameter untersucht. Dafür wurden drei Strategien zur Optimierung angewandt und miteinander verglichen. Als Vorhersagemodell für das Alter diente dabei jeweils eine relevance vector regression, die mithilfe einer vierfachen Kreuzvalidierung trainiert und getestet wurde. Die Arbeit ist als PDF downloadbar.

Spam Filter: A binary text classifier with SVMs to separate email-SPAM from email-HAM

The global SPAM volume as percentage of total email traffic is estimated to be somewhere between 60% and 80%. Since for most people email-SPAM is a rather unpleasant experience, various anti-SPAM techniques evolved. Content based filtering system is one of them. Such a filter can be achieved using a binary classifier (in this case SVM) for the two classes „HAM“ and „SPAM“. In this project I implemented a spam filter using a collection of ~60k labeled emails from various sources. As feature encoding the simple method ‚bag-of-words‘ was used. The code was written in a Jupyter notebook, which can be found on GitHub.