Hallo, ich bin Sakib
Data Science Masterstudent an der TU Dortmund
Datenenthusiast mit einem Hintergrund in Informatik und Ingenieurwesen, spezialisiert auf NLP und KI.
Kontaktieren Sie michÜber mich
Meine Einführung
Data-Science-Masterstudent mit einem Hintergrund in Informatik, leidenschaftlich daran interessiert, durch KI und maschinelles Lernen wertvolle Erkenntnisse zu gewinnen. Kürzlich habe ich ein Masterseminar an der TU Dortmund abgeschlossen über den Einsatz von Transformermodellen zur Erkennung von Depressionen und Verhaltensanalysen in sozialen Medien (Note: 2.0). Meine Bachelorarbeit konzentrierte sich auf Echtzeit-Sprachübersetzung von Bengalisch ins Englische und erreichte dabei einen BLEU-Score von 48,98 (Note: 1,3). Als ehemaliger wissenschaftlicher Mitarbeiter bei der Economic Research Group (ERG) arbeitete ich an Datenanalysen und entwickelte prädiktive Modelle. Dabei entdeckte ich mein Interesse an Daten, NLP, KI und Textanalyse – und vertiefe nun mein Wissen in Statistik und Datenanalyse weiter.
abgeschlossen
geschrieben
Projekte
Skills
My Technical LevelDevelopment
All About the CorePython
90%SQL
85%MS Excel
70%JavaScript
60%R
50%Android
40%Frameworks
Jeder braucht UnterstützungNumPy
90%pandas
90%scikit-learn
85%Pytorch
85%streamlit
80%matplotlib
70%seaborn
70%OpenCV
65%NLTK
60%Flask
50%Machine Learning
Theorie, Theorie!Ensemble Models
90%Exploratory Data Analysis
90%Natural Language Processing
85%Linear and Logistic Regression
80%Decision Trees
80%Convolutional Neural Networks
80%Recommender Systems
75%Clustering
65%Graph Neural Networks
60%Multi-modal Learning
60%Time Series
20%Cloud and Engineering
Flieg schnell und hoch!Docker
60%AWS EC2
50%AWS ECR
50%Azure
40%Databases and Viz
Wow! FaktorMySQL
85%Tableau
50%Power BI
50%Qualifikation
Meine persönliche ReiseMaster of Science in Data Science
Technische Universität Dortmund, Dortmund, DeutschlandExchange - Data Science (laufend)
Ruhr-Universität Bochum, Bochum, DeutschlandB.Sc. in Informatik und Ingenieurwesen
North South University, Dhaka, BangladeschHöhere Sekundarschule in Wissenschaft
Chattogram, BangladeschWissenschaftlicher Mitarbeiter
Economic Research Group
-
Durchführung umfassender Datenanalysen mit Python zur Unterstützung von wirtschaftswissenschaftlichen Forschungsprojekten.
-
Verwendung von MLflow zur Entwicklung einer End-to-End-Vorhersagemodell-Suite, die die Prognosegenauigkeit um 15 % verbesserte.
-
Leitung der Implementierung von ML-Workflows, wodurch die Bearbeitungszeit für politische Handlungsempfehlungen um 2 Tage verkürzt wurde.
Wissenschaftlicher Mitarbeiter
North South University
-
Co-Entwicklung eines Echtzeit-Sprachübersetzungssystems mit einem BLEU-Score von 48,98 unter Verwendung der Transformer-Architektur.
-
Durchführung der Datenvorverarbeitung, Modelltraining und Hyperparameter-Optimierung für ein NLP-System.
Portfolio
Meine Projekte
Bayesian Approach For Smoking Prediction
Bayesianische Datenanalyse
Vorhersage des Rauchverhaltens auf Basis individueller Faktoren (Alter, Geschlecht, Einkommen) und regionaler Unterschiede.
Alter korrelierte negativ mit dem Rauchen – jüngere Personen neigten eher zum Rauchen.
Einkommen zeigte einen nichtlinearen Trend – sowohl in den höchsten als auch niedrigsten Einkommensgruppen war die Raucherquote hoch. Bildung spielte eine Rolle – der Einfluss variierte jedoch stark je nach Region.
Tech Stack
Verwendete Forschungsarbeiten
Bürkner, P.-C. (2017). brms: Ein R-Paket für bayesianische Mehrebenenmodelle mit Stan.
Loo: Effiziente Leave-One-Out-Cross-Validation und WAIC für bayesianische Modelle.
R-Schnittstelle zu Stan
Transformer-Decoders mit multimodaler Regularisierung für Cross-Modal Food Retrieval
R: Eine Sprache und Umgebung für statistisches Rechnen
Pneumonia Detection Classification with MLFLOW DVC and CI/CD
🧠 MLOps (Machine Learning Operations)
Implementierung von CI/CD-Workflows zur Automatisierung von Modellverfolgung, Versionierung und Deployment auf AWS unter Nutzung von EC2 und ECR.
Tech Stack
Code ansehen
Kidney Diseases Classification MLFLOW DVC
Computer Vision
Nutzung von CI/CD-Workflows zur Automatisierung der Modellverfolgung, Versionierung und Bereitstellung auf AWS mit EC2 und ECR.
Manuelle Eingriffe um 40 % reduziert durch Integration von Docker und selbstgehosteten Runnern für kontinuierliche Bereitstellung. Effizienz des Experiment-Trackings um 25 % gesteigert durch Einsatz von MLFLOW zur Protokollierung und Verwaltung von Modell-Metadaten.
Tech Stack
Code ansehen
End To End Resume ATS Tracking LLM Project With Google Gemini Pro
Natural Language Processing (NLP)
Entwicklung und Implementierung eines vollständigen ATS-Scansystems für Lebensläufe unter Einsatz von LLMs, inkl. Google Gemini Pro. Optimierte Verfolgung und Filterung zur Verbesserung der Genauigkeit und Effizienz im Bewerbungsprozess.
Online bereitgestellt über Streamlit
Tech Stack
HR-Analyse
Data Science
Erstellung eines Dashboards in Power BI zur Analyse von Anwesenheitsdaten über drei Monate für die Personalabteilung von AtliQ.
Mit einer Genauigkeit von etwa 94,04 % im April übertrifft AtliQ die anderen drei Monate.
Etwa 93,21 % der Montage sind die aktivsten Tage bei AtliQ, was sie ideal für wöchentliche Meetings macht.
Tech Stack
Messenger Chat Analyser
Explorative Datenanalyse & NLP
Die Grundlage dieser App basiert auf grundlegender Datenanalyse, wie der Ermittlung der Uhrzeiten, zu denen Nachrichten gesendet wurden, oder der Anzahl der monatlich gesendeten Nachrichten.
Implementierung einer Sentiment-Analyse.
Tech Stack
Speech Recognition with python and Goolgle cloud api
Natural Language Processing
Spracherkennung von bengalischer Audioeingabe zu Text.
Teil des Abschlussprojekts an der North South University.
Verbesserte die Leistung der Anwendung durch den Einsatz der Transformer-Architektur als Maschinelles Übersetzungsmodell (BLEU 48.98), das eine Echtzeitübersetzung ermöglicht.
Tech Stack
Verwendete Forschungsarbeiten
Code ansehen
COVID-19 Spread Forcasting in Bangladesh on weekly and monthly basis.
Datenwissenschaft (Maschinelles Lernen – Zeitreihenprognose)
Prophet ist ein Verfahren zur Vorhersage von Zeitreihendaten basierend auf einem additiven Modell, bei dem nichtlineare Trends mit jährlicher, wöchentlicher und täglicher Saisonalität sowie Feiertagseffekten modelliert werden.
Prophet-Publikation: Sean J. Taylor, Benjamin Letham (2018) „Forecasting at scale“. The American Statistician 72(1):37-45 hier verfügbar
Tech Stack
Portfolio-App
Android-Entwicklung
Entwickelte eine Android-Anwendung, die als persönliches Portfolio dient.
Ein Spaßprojekt, um meine Fähigkeiten weiterzuentwickeln.
Tech Stack
Zertifikate
Zusätzliche Kurse, die ich absolviert habe
C# Fundamentals for absolute beginners
Expiry Date: Does not expire
Create Your First Web App with Python and Flask
Expiry Date: Does not expire
Natural Language Processing with Attention Models
Expiry Date: Does not expire
Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization
Expiry Date: Does not expire
Neural Networks and Deep Learning
Expiry Date: Does not expire
Structuring Machine Learning Projects
Expiry Date: Does not expire
Artificial Intelligence
Expiry Date: Does not expire
Blog
Meine technischen Artikel
Can a Bayesian Model Predict Who Smokes?
Using Probabilistic Thinking to Decode Health Behaviors.
Smoking remains a significant global public health problem, and more insight into the demographic and socioeconomic determinants that influence smoking status is required to design effective, targeted interventions.
Lesen Sie es!
Can AI Decode Silent Cries for Help? Transformers vs. Machine Learning in the Race to Detect Depression
🌐”I don’t want to live anymore.”
🌐 ”I’ve been feeling empty for weeks.”
🌐 ”Why does everything hurt?”
These aren’t just social media posts — they’re digital SOS signals from 280
million people battling depression worldwide.
As suicide claims 700,000 lives annually, researchers are deploying AI as a
linguistic lifeguard.
But which approach dives deeper: transformer models or traditional machine learning?
Let’s dissect two groundbreaking studies reshaping mental health tech.
