Data Science Student | Machine Learning & Predictive Analytics
Ik ben Stijn, 20 jaar en Data Science student aan Breda University of Applied Sciences. Na het behalen van mijn VWO diploma heb ik gekozen voor deze richting omdat ik gefascineerd ben door hoe data echte problemen kan oplossen.
De afgelopen jaren heb ik aan uiteenlopende projecten gewerkt, variërend van GPU-accelerated truck planning voor Move Intermodal tot computer vision systemen voor NPEC. Wat mij drijft, is de uitdaging om complexe problemen aan te pakken en oplossingen te creëren die echt impact maken. Ik denk graag end-to-end, dus van data-analyse tot een werkend systeem in productie.
Ik werk het liefst in teams waar ik kan samenwerken aan uitdagende vraagstukken. Door verschillende rollen aan te nemen in projecten, van model development tot deployment, heb ik een breder overzicht opgebouwd van het data science veld.
CNN, LSTM, Transfer Learning
U-Net, MobileNet, Segmentation
BERT, Transformers, Whisper
Pandas, NumPy, Scikit-learn
PostgreSQL, Snowflake, SQL
Streamlit, Matplotlib, Seaborn
Azure, Docker, CI/CD
NVIDIA cuOpt, Route Planning
Optimization systeem voor Move Intermodal met NVIDIA cuOpt API. Beheert complexe constraints voor intermodaal transport in het Noord-Westen van Europa.
Mixed-methods onderzoek voor Digiwerkplaats met 178 survey respondenten en 7 interviews. Information quality als belangrijkste driver van chatbot tevredenheid.
Complete computer vision systeem voor NPEC met U-Net segmentation, wortel tracking en cloud deployment. 11% SMAPE score voor nauwkeurige wortellengte voorspelling.
LSTM-based systeem voor ANWB om traffic incident severity te voorspellen op basis van real-time weer data. 92% accuracy met Streamlit dashboard.
Complete NLP systeem voor Content Intelligence Agency: audio transcriptie met Whisper, emotion detection met RobBERT en neural machine translation. 85% F1-score op Dutch content.
Computer vision systeem met MobileNet transfer learning voor classificatie van 7 Nederlandse vogelsoorten. 95% accuracy met Figma prototype en A/B testing.
Machine learning systeem voor marktwaarde voorspelling van 14,445 profvoetballers uit 41 leagues. RandomForest model met position-specific feature engineering behaalde 76% accuracy.