Dataforsker med fokus på maskinlæring og prediktiv analyse
Dataforsker med master i informatikk og sterk bakgrunn innen maskinlæring, statistikk og programvareutvikling. Har arbeidet med prediktive modeller, kundeanalyse og stordata i finans- og telekombransjen.
Erfaring med hele datavitenskapens verdikjede – fra problemforståelse og dataforberedelse til modellering, evaluering og drift i produksjon. Opptatt av å formidle komplekse resultater på en tydelig måte og skape verdi gjennom datadrevne beslutninger.
Fordypet meg i maskinlæring, statistisk læring og dyp læring med praktiske prosjekter innen tekst- og tidsserieanalyse.
Skrev masteroppgave om prediktive modeller for energiforbruk i bygg med gradient boosting og random forest.
Fikk erfaring med vitenskapelig metode, eksperimentdesign og formidling av komplekse resultater.
Relevant verktøykasse: Python, scikit-learn, TensorFlow, SQL og Git.
Ga et solid grunnlag i matematikk, statistikk og programmering med vekt på algoritmer og datastrukturer.
Gjennomførte bacheloroppgave i samarbeid med en lokal bedrift om visualisering av offentlige data.
Utviklet ferdigheter i Python, R og databasemodellering.
Utvikler og drifter prediktive modeller for kredittrisiko og kundeadferd i samarbeid med forretningsområder.
Bygger MLOps-pipeline i Google Cloud, fra datahenting til automatisk retrening og modellovervåkning.
Gjennomfører A/B-tester og kausale analyser for å evaluere effekten av nye produkter og kampanjer.
Presenterer resultater for ledelsen og bidrar til strategiske beslutninger om risiko og kundeopplevelse.
Utviklet churn-modeller og kundesegmenteringsverktøy for å redusere kundeavgang i mobil- og bredbåndsmarkedet.
Bearbeidet store datamengder med Apache Spark og SQL for å bygge features og analysere kundedata.
Samarbeidet med produkt- og markedsavdelinger for å integrere modellresultater i kampanjestrategier.
Etablerte rutiner for modellovervåkning og dokumentasjon, noe som forbedret teamets leveranseevne.
Fikk pris for arbeidet med prediktive churn-modeller som bidro til bedre kundebevaring og økt lønnsomhet.
Undersøkte hvordan gradient boosting og random forest kan forutsi timebasert energiforbruk og bidra til energieffektivisering.
Utviklet en Python-pakke for tidsserieanalyse og prediksjon av strømforbruk.
Inneholder moduler for datahenting, feature engineering og modelltrening.
Dokumentert med eksempler og satt opp som FastAPI-tjeneste med Docker.
Bidrar til å arrangere faglige møter og workshops for datascience-miljøet i Oslo. Holder introduksjonsforedrag om maskinlæring og etisk AI for nye medlemmer.