👋 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
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