Skip to content
TAPASZTALAT

TAPASZTALAT

Főprofil

  • Mély szakértelem a mesterséges intelligencia és a mély tanulás területén, különös tekintettel a gépi látásra és a nagy nyelvi modellekre. Gyakorlati tapasztalat a teljes ML-életciklus mentén: adatgyűjtés, -annotálás, augmentáció, modelltraining, kiértékelés és adathalmaz-generálás a HuggingFace keretrendszerrel.
  • Jártas Python és a hozzá kapcsolódó ML-eszközök – PyTorch, Pandas és NumPy – terén.
  • Saját érdeklődésből és gyakorlásképpen webprojekteket fejleszt. Tapasztalata van HTML, CSS, JavaScript, React és Astro területén. Előnyben részesíti a natív CSS írását keretrendszerekkel szemben.
  • Informatikus diploma, széleskörű programozási ismeretekkel: a legtöbb elterjedt programozási nyelv, algoritmusok és adatszerkezetek terén.

MI Csapatvezető

Safetrace Weboldal megtekintése

  • Kis kutatócsapat vezetése alkalmazott MI területén, feladatok koordinálása, meetingek tartása és a projekt előrehaladásának biztosítása
  • A központi modelltraining-pipeline felépítése nulláról, XLM-RoBERTa használatával tokenosztályozáshoz saját adathalmazon
  • Közvetlen hozzájárulás a betanítási adathalmaz létrehozásához: gyakorlati tapasztalat az adatéletciklus egészén – a generálástól az annotálásig
  • Gyakorlati tapasztalat az edzés monitorozásában, kiértékelésében és hiperparaméter-optimalizálásban a projekt teljes időtartama alatt
  • Egyéni technikai munka és csapatkoordináció egyensúlyozása kis, gyorsan mozgó kutatókörnyezetben

Machine Learning Engineer

HUN-REN SZTAKI Számítástechnikai és Automatizálási Kutatóintézet, Budapest Weboldal megtekintése

  • Koszorúér-meszesedés automatizált mérésén dolgoztam szívizom CT-felvételekből, klinikai diagnosztika támogatása céljából
  • TotalSegmentator alkalmazása orvosi képszegmentáláshoz; több módszertan feltárása kutatási fázisban, előre meghatározott megoldás nélkül
  • Páciensadatok feltáró elemzése és lehetséges módszerek kutatása a korlátozott adathalmaz megkerülésére
  • Orvosi képadatok feldolgozása és megjelenítése Slicer 3D, pontfelhők és Python-alapú eszközök segítségével
  • Betekintés kutatási módszertanokba, digitális egészségügybe és orvosi dokumentumfeldolgozásba kutatóintézeti munkakörnyezetben

Kutatói Gyakornok

Max Planck Intézet a Biológiai Intelligenciáért, München Weboldal megtekintése

  • BSc szakdolgozatomat helyszínen, az intézetben készítettem: kontrollált lek-környezetben filmezett pajzsossnef madarak automatizált követőrendszerét fejlesztettem
  • Egy YOLOv8 objektumdetektáló modell teljes betanítási pipeline-jának felépítése, beleértve az adatannotálást és adathalmaz-létrehozást nyers videószegmensekből
  • Az inferencia-pipeline kifejlesztése egyedi madarak észlelésére és követésére videóképkockákon át, YOLO-detektálások használatával a SAM2 inicializálásához
  • A rendszer előre meghatározott zónák szerint adja ki minden madár helyzetét és azonosítóját, strukturált, felhasználható adatot szolgáltatva a biológusoknak
  • Interaktív Streamlit-felület elkészítése, hogy a biológusok technikai háttér nélkül is tudják kezelni az eszközt
  • Kamerák kalibrálásával, 2D–3D pontvetítéssel és a teljes gépi látás-munkafolyamattal kapcsolatos gyakorlati tapasztalat szerzése nyers anyagtól a strukturált kimenetig