Seit Oktober 2020 bin ich als wissenschaftlicher Mitarbeiter und Doktorand am Institut für Unternehmertum (TUHH) tätig.

In meinem Masterstudium VWL/Economics an der Universität zu Köln habe ich mich auf den Bereich Statistik & Ökonometrie spezialisiert und habe mich in meiner Abschlussarbeit mit der Anwendung von Machine Learning im wirtschaftswissenschaftlichen Kontext beschäftigt, Vergleiche zu den traditionellen Methoden der Ökonometrie gezogen und mich mit Methoden zur Interpretierbarkeit von nicht-parametrischen Modellen auseinandergesetzt.

Auch in meinen aktuellen Forschungsgebieten spielen Methoden des Machine Learning eine große Rolle, da sie großes Potential bei der Aufdeckung komplexer Strukturen und kausaler Zusammenhänge bieten. Beispielsweise vereinfachen neuartige Verfahren, die auf Entscheidungsbäumen basieren, den Umgang mit hochdimensionalen Daten, nicht-linearen Beziehungen innerhalb der Daten oder heterogenen Effekten von Interventionen in Beobachtungs- und experimentellen Studien. Gibt es Beziehungen oder Abhängigkeiten zwischen den Untersuchungseinheiten, können Algorithmen aus dem Feld des Geometric Deep Learning, meist Graph Neural Networks, helfen diese als Netzwerk in mathematisch nutzbarer Form abzubilden und greifbar zu machen um daraus ein verbessertes Verständnis zu erlangen.