Contact us

Niloofar Khaleghi

Frisch aus dem Studium, fit in Python/SQL – bereit für echte Aufgaben

Github
Kontakt

👋 Hallo, ich bin Niloofar

Einsteigerin im Bereich Data Analytics & ML – Masterstudentin

Ich studiere aktuell im Master Ingenieurinformatik und habe eine große Leidenschaft für Datenanalyse und Visualisierung. Besonders spannend finde ich es, komplexe Daten so aufzubereiten, dass sie verständlich werden und echte Handlungsempfehlungen liefern. ✨

Mein Portfolio wächst stetig – von ersten Analysen und Reports bis hin zu interaktiven Dashboards in Power BI. Mit jedem Projekt lerne ich dazu, erweitere mein Wissen und habe Freude daran, Zahlen lebendig zu machen.

Jetzt suche ich ein Praktikum im Bereich Data Analytics, in dem ich mein Können einbringen, Neues lernen und durch meine Arbeit spürbaren Mehrwert schaffen kann. 🚀

💡 Was mich auszeichnet:
🔹 Analytisches Denken – Muster in Daten zu erkennen, macht mir Spaß
🔹 Lernfreude – ich eigne mir schnell neue Tools & Methoden an
🔹 Teamgeist – Zusammenarbeit und Austausch motivieren mich

Projekte entdecken

Aktuelle Projekte

Hands-on-Beispiele, die meinen Lernweg zeigen – stetig wachsend.
Airbnb Berlin – Preis & Nachfrage-Analyse
Beschreibung

Analyse von Airbnb-Daten aus Berlin (InsideAirbnb). Ziel war es, den Übernachtungspreis
vorherzusagen und eine einfache Nachfragekennzahl (90-Tage-Unverfügbarkeitsrate)
als Proxy für Auslastung zu entwickeln.

Technologien
  • Python
  • Pandas
  • Matplotlib
  • Seaborn
  • Scikit-Learn
  • Jupyter Notebook
Umsetzung & Ergebnisse
  • Prognosemodell mit Random Forest und
    Linearer Regression entwickelt
  • MAE und R² zur Modellbewertung berechnet
  • Wichtige Preistreiber identifiziert (z. B. Zimmertyp, Lage, Kapazität)
  • Visualisierungen (Heatmaps, Korrelationen, Preisverteilung) erstellt
Nutzen

Liefert datenbasierte Insights für Preisgestaltung und RevPAR-Optimierung
in der Tourismus- und Immobilienbranche.


🔗 See Code on GitHub

Iris ML Demo – Klassifikation
Beschreibung
Klassifikation der Iris-Daten (bekannter Scikit-Learn-Beispieldatensatz) als Einstiegsprojekt in Machine Learning.
Technologien
  • Python
  • Scikit-Learn
  • Pandas
  • Matplotlib
  • Seaborn
  • GitHub
Umsetzung & Ergebnisse
  • Vergleich von Logistischer Regression und Random Forest Classifier
  • Einsatz von Cross-Validation zur Modellbewertung (R², Accuracy, F1-Score)
  • Visualisierung der Daten mit Seaborn-Pairplot
  • Speicherung des trainierten Modells mit joblib + eigenes Predict-Skript für Vorhersagen über Kommandozeilenparameter
Nutzen
Demonstriert grundlegendes Verständnis für Machine-Learning-Workflows (Train/Test-Split, Klassifikationsmetriken, Visualisierung, Deployment mit Python-Skripten).

🔗 See Code on GitHub

fähigkeiten

Python
Pandas / NumPy
Matplotlib / Seaborn
Scikit-Learn
SQL
Excel
Power BI
Microsoft Office allgemein
Git/GitHub

kontakt

Lust auf frische Ideen und echte Energie? 🚀 Ich bringe meinen Background aus Ingenieurinformatik und meine Passion für Daten in spannende Projekte ein und lerne dabei jeden Tag dazu. Wenn Sie jemanden suchen, der motiviert anpackt und neue Perspektiven mitbringt – let’s connect!

Telefonnummer

+49 176 584 63 583