Mike Netz verfügbar

Mike Netz

Embedded Softwareentwicklung und AI mit Machine Learning/Deep Learning

verfügbar
Profilbild von Mike Netz Embedded Softwareentwicklung und AI mit Machine Learning/Deep Learning aus GlienickeNordbahn
  • 16548 Glienicke/Nordbahn Freelancer in
  • Abschluss: Diplom-Ingenieur (FH)
  • Stunden-/Tagessatz:
  • Sprachkenntnisse: deutsch (Muttersprache) | englisch (gut)
  • Letztes Update: 20.01.2021
SCHLAGWORTE
PROFILBILD
Profilbild von Mike Netz Embedded Softwareentwicklung und AI mit Machine Learning/Deep Learning aus GlienickeNordbahn
DATEIANLAGEN
Aktuelles Profil Mike Netz mit Markierungen

Diese Anzeige ist nur für angemeldete Nutzer möglich.

PORTFOLIO
SKILLS
Programmiersprachen und Werkzeuge

Primär
C/C++, Python
KI mit Machine Learning: Scikit learn (Numpy, Pandas),
Deep Learning: Keras/TensorFlow
Computer Vision: OpenCV und Adaptive Vision
Enterprise Architect: UML / SysML
STM32 Cortex M4, AM335x ARM Cortex-A8, ESP32
Capl (Canoe + VT-System)


Sekundär: 
MATLAB / Simulink  
Autosar mit DaVinci (C und XML)


Branchenerfahrung 
Automobil (Automotive), Verkehrstechnik, Nachrichtentechnik , Train und IT 


Bildung 
Ausbildung: 
Energieanlagenelektroniker 

Studium: 
An der Fachhochschule für Technik und Wirtschaft in Berlin, Fachrichtung 
Elektrotechnik, Studiengang Automatisierungstechnik 
Abschluss: Diplom-Ingenieur (FH), Prädikat "gut bestanden" 


Weiterbildung 
Qualifizierungen 2019 (läuft noch):
M
achine Learning Engineer – Nanodegree Program (bei Udacity): 
- Machine Learning Engineer: Machine Learning in Production using Amazon SageMaker, Lambda Function and API Gateway / Rest API -

Qualifizierungen 2018: 
Autosar Basis Workshop (bei Vector mit DaVinci)
Machine Learning Engineer – Nanodegree Program (bei Udacity): 
- Intro to Machine Learning: Supervised Learning, Deep Learning and Unsupervised Learning with Anaconda Python (Sciki learn, Keras/Tensor flow) -

Qualifizierungen 2012: 
Systems Engineering mit SysML (inkl. OCSMP-Zertifizierung) 

Qualifizierungen 2010: 
Funktionale Sicherheit ISO DIS 26262 (bei TÜV Süd)

Qualifizierungen 2009:  
ISTQB Certified Tester: Advanced Level - Test Manager 

Qualifizierungen 2005:  
ISTQB Certified Tester: Foundation Level
PROJEKTHISTORIE
  • 01/2020 - bis jetzt

    • Privat
    • < 10 Mitarbeiter
    • Sonstiges
  • Erkennung und Klassifizierung von Objekten (Bilderkennung) einer Kamera mit Raspberry PI / Linux / C++17 / Anaconda Python
  • Projekt
    Modellauto erkennt selbstständig Objekte mittels einer Kamera. Dafür wurde ein CNN mit CIFAR-10-Daten und Keras/Tensorflow in Python trainiert. Das Modell (die Netzschichten) wurde als HDF5-Datei (.h5) angespeichert. Die C++17-Fahrapplikation Applikation greift auf das Modell übers die HDF5-Datei zu.
    (Umsetzung in Python und in C++)

    Das Modelauto kann zusätzlich per Sprachbefehle gesteuert werden. Dafür wird ein CNN Keras/Tensorflow verwendet, welches mit dem Google Speech Command Datasets trainiert wurde. https://github.com/douglas125/SpeechCmdRecognition
    (Umsetzung in Python)

    Nächste Ideen
    RealTime Object Detection mit Yolo https://github.com/pjreddie/darknet/wiki/YOLO:Real-Time-Object-Detection

    Technik
    Bilderkennung mittels Kamera und trainierten CNN mit Keras/Tensorflow und CIFAR-10-Daten. CNN: Convolutional Neural Network.
    IDE für Python: Jupyter Notbook in Amazon AWS
    IDE: Visual Studio 19 C/C++ mit C++17 (Templates, Thread/async/future, STL und Range-V3)
    Zielrechner: Raspberry PI 4 mit Linux und Docker
    Entwicklungsrechner: Windows und Docker
    Modellauto: Sunfounder Smart Video Car Kit


  • 09/2018 - 12/2019

    • Wabco
    • >10.000 Mitarbeiter
    • Automobil und Fahrzeugbau
  • Analyse von ADAS-Daten mittels Data-Science- und KI-Methoden in Python
  • Analyse und Auswertung von Testdaten (große Datenmengen) für ADAS-Funktionen eines Fahrerassistenzsystems im Nutzfahrzeugumfeld mit Data- Science und KI-Methoden.

    • Analyse Mileage Data (Leistungsdaten)
      • Clusteranalyse (Unsupervised Learning) bildung von Fehlerklassen mittels Scikit learn
      • Automatische Fahrerklassifizierung (Deep Learning) mittels Keras/TensorFlow
    • Schreiben eines Analysetools in Python
      • Statistische Auswertung von Testdaten (Große Datenmengen)
      • Validierung der tolerierbaren Fehlalarmrate der Radarerkennung (False-Positives)
        • Vergleich ADAS-Software mit Fahrer-Fahrstrecke-Fahrzeugmodell (Multilayer)
        • Abgleich anhand GPS mit Open Steet Map und Wetterdaten
        • Abgleich mit Sensordaten (Beschleunigung, Geschwindigkeit, usw.).
    • Erstellung eines Testdaten-Reports für die sicherheitsrelante Dokumentation
    • Daten wurden mittels REST-API aus Altran VueForge Services geholt oder lagen im CSV-Format vor
    • Verarbeitung der großen Datenmengen über Servercluster mittels Hadoop
    • Test der Python-Applikation mit Robot Framework und Python unittest

    Werkzeuge

    Deep Learning mit Anaconda Python (Numpy, Pandas, Dask, Keras/TensorFlow, Scikit Learn, Seaborn, Matplotlib). Hadoop. Altran VueForge/REST-API, HTTP, JSON. Robot Framework und Python unittest.


  • 12/2017 - 06/2019

    • Technagon
    • 50-250 Mitarbeiter
    • Industrie und Maschinenbau
  • Entwicklung einer Sicherheitssoftware in C für eine Torsteuerung
  • 07/2018- 06/2019

    Service (Teilauslastung): Neue Anforderungen und Abschlusstest

     

    12/2017 – 06/2018

    Software-Spezifikation (MS Word)
    Anwendungsfälle in Gherkin-Syntax

     

    Software-Architektur (MS Word / Enterprise Architekt)
    Textuell unterstützt mit UML-Diagrammen

     

    Programmierung der Software
    Programmiersprache C (Misra-C:2012)
    Entwicklungsumgebung: Eclipse C/C++ OpenSTM32 + CubeMX
    Modellierung: Enterprise Architect UML/SysML
    Kommentierung: Doxygen
    Funktionen: Sicherheitsfunktionen Torsteuerung + uC-Selbsttest
    Microcontroller: STM32F303 (ARM Cortex-M4)

     

    Entwickler-Tests
    SW-Modul- + SW-Integrations-Test: Unity-Framework
    Integrationstest: PIL-Testplatine, Putty

     

    Normen
    Safety: DIN EN 60730, Klasse B
    DIN EN ISO 13849


  • 11/2013 - 11/2017

    • Fabema
    • 50-250 Mitarbeiter
    • Industrie und Maschinenbau
  • Steuergerätetest, Programmierung C/C++ für Lichtsignalsteuerung (Ampelsteuerung) und Projektleitung
  • 11/2013 – 06/2014: Testspezifikation, Testdurchführung und Testbericht.
    Inbetriebnahme und Test der Steuergeräte
    SW/HW-Integrationstest
    SW-Modultest C (+Ergänzung der Doxygen-Kommentare)
    Integrationstest zweier Steuergeräte
    Review und Unterstützung bei den Anforderungen

     

    Unterstützung bei den Dokumenten für den TÜV
    Einführung von Enterprise Architect (EA)
    Unterstützung beim Erstellen der Software-Anforderungen
    Unterstützung bei Software- und System-Design mit EA
     

    07/2015 – 12/2015 Software (Bibliothek) in C für Seriell/RS485 (Ampelkommunikation)
    Programmierung der Bibliothek
    IDE: Eclipse C/C++ OpenSTM32
    Microcontroller: Cortex-M1/M4

     

    01/2016 – 11/2017: Programmierung eines Ampelprogrammgenerators in C+11
    Programmierung eines Programmgenerators für Ampelprogramme
    JSON -> C++11-Ampelprogramm
    Auflaufumgebung: DIMM-Modul AM335x ARM Cortex-A8 Microprozessor mit RT-Linux
    IDE: Visual Studio
    Pflege von Softwaremodulen

    Teilprojektleitung Embedded-Softwareentwicklung
    Unterstützung beim Projektmanagement

     

    Werkzeuge: 

    MS Office (+Project, Visio), Oszilloskop Rigol DS4024E, C#, Debugger, Tessy, Enterprise Architect, AM335x ARM Cortex-A8, Visual Studio, C++11, JSON

     

    Methoden: 

    Normen und Richtlinien (RiLSA, VDE 0832-100, -200, -500, DIN EN 12675, NEN 3384,..), SysML /UML / Enterprise Architect


  • 01/2011 - 10/2013

    • Takata
    • >10.000 Mitarbeiter
    • Automobil und Fahrzeugbau
  • E/E Integrationstest einer Aktivlenkung für mehrere Baumusterstände
  • Testdurchführung der E/E und funktionalen Integrationstest a) Aktuatorsteuergerät und b) Aktuator- mit Sensorsteuergerät und Kommunikation über CAN-Bus

     

    Phase 1: 
    Aufbau E/E Integrationstest (Testplanung, Definition Prüfplätze, und Beschaffung, Einarbeitung der Mitarbeiter)


    Phase 2:
    Leitung und Durchführung der E/E und funktionalen Integrationstest
    Erweiterung um ein Testteam in Bangalore/Indien


    Phase 3: 
    Übergabe der Testleitung an einen internen Mitarbeiter
    Programmierung eines SPI-Slave-Simulators (Arduino Uno + Hardware Shield, Arduino Sketch)
    Untersuchung und Einführung Canoe-Library-Erstellung mit Simulink (Canoe Matlab Interface, Malab-/Simulink-Coder, VS2010 C/C++ Compiler)

    Werkzeuge: 
    MS-Project, VT-System, Canoe, TAE (Test Automation Editor), Oszilloskop MSO 3034,
    Arduino Uno, Arduino Sketch,  C++, Doors (als Anwender), Enterprise Architect (Modellierung in SysML), Matlab / Simulink

     

    Methoden: 
    ISTQB-Testprozess, ASIL-D ISO 26262, Unternehmenseigener Entwicklungsstandard


  • 02/2000 - 12/2010

    • ZF, Porsche, BMW und Rohde & Schwarz
    • >10.000 Mitarbeiter
  • Diverse Software in C++, C, C-Autocode mit Matlab/Simulink, Python und C# erstellt.
  • Entwicklung von Software:

    Testautomatisierung mit C# und Python
    Testsoftware mit C++, QT4 und CanCardX
    Autocode in C mit Ascet und Matlab/Simulink
    C barmetal auf Microkontroller

    Werkzeuge:

    Visual Studio für C# und C++,QT,
    Python IDLE,
    Ascet, Matlab/Simulink für C (Autocode-Generierung),
    Eclipse-CDT-Varianten für C
    NI-Measurement Studio in C#,
    Enterprise Architect für UML,

     

    Normen und Methoden:
    Modellierung mit UML und Matlab/Simulink,
    Safety nach ISO 26262 ASIL D,
    Testkonzept nach IEEE 829

    Betriebssysteme
    Windows,
    Mikrocontroller: Barmetal und RTOS

     

    Microcontroller
    MPC55xx


ZEITLICHE UND RÄUMLICHE VERFÜGBARKEIT
Berlin und Umland, sonst Remote
KONTAKTANFRAGE VERSENDEN

Nachricht:

Absenderdaten:

WEITERE PROFILE IM NETZ