Hallo, ich bin Moayad.
Software Engineer | Full-Stack, Big Data & Analytics

Ich habe ein robustes Kommandozeilenprogramm (CLI) entwickelt, das darauf ausgelegt ist, Zeiterfassungsdaten zwischen Amazing Marvin und ActiTime zu synchronisieren. Dieses Projekt zeigt meine Fähigkeit, Workflows zu integrieren und zu automatisieren, wodurch ein nahtloser Datentransfer gewährleistet und die Produktivität gesteigert wird.

Zu den Hauptfunktionen gehören die automatische Synchronisation von Zeiterfassungsdaten der Tasks von der Software Amazing Marvin zu ActiTime , das Exportieren von Zeiterfassungsdaten für vordefinierte Tasks direkt zu ActiTime sowie das Erfassen der täglichen Überstunden und das Generieren von CSV-Berichten zur Überwachung des Überstundenkontos.

Diese Arbeit, die an der Universität Bremen durchgeführt wurde, zeigt, wie digitale Signalverarbeitungs-Graphen (DSP-Graphen) über ein Cluster von Rechneren verteilt werden können. Sie stellt eine Methode zur Verwaltung dieser Graphen innerhalb eines lokalen Netzwerks vor, die eine automatische Datensynchronisation gewährleistet.

Die Evaluierung bestätigt die Effizienz und Skalierbarkeit des Ansatzes. Diese Arbeit legt den Grundstein für zukünftige Forschung und schlägt Verbesserungen und Optimierungen vor. Die Ergebnisse sind relevant für Organisationen, die verteilte Rechenleistung für die Echtzeit-Signalverarbeitung nutzen möchten.

Ein webbasierter Simulator für elementare Netze. Elementare Netze sind eine spezialisierte Form von Petri-Netzen, die leistungsfähige Werkzeuge zur mathematischen Beschreibung und Analyse von nebenläufigen Systemen darstellen.

Dieser Simulator ermöglicht es den Nutzern nicht nur, diese Netze zu visualisieren und damit zu interagieren, sondern bietet auch Einblicke in das Verhalten und die Dynamik komplexer Systeme. Durch die Nutzung dieses Tools können Anwender Prozesse in verschiedenen Bereichen wie Fertigung, Logistik und Softwareentwicklung modellieren, simulieren und optimieren.

Diese Arbeit, die an der Universität Bremen durchgeführt wurde, zielt darauf ab, Benutzereingaben durch die Nutzung textueller Hinweise, die in den Daten enthalten sind, zu interpretieren. Unter Verwendung eines Datensatzes, der aus Tausenden von Reddit-Beiträgen aus drei Subreddits (politics, datascience, listentothis) gesammelt wurde, analysieren wir die Implikationen des gewählten Klassifikators für das Training dieser Datensätze.

Darüber hinaus diskutieren wir, wie sich dieser Klassifikator im Vergleich zu anderen Klassifikatoren als optimal für unsere Arbeit erwiesen hat.