Dr. Julia König

"Ich brenne für die Themen Data Science und Künstliche Intelligenz und habe Spaß daran, diese Zukunftsthemen voranzubringen. Mein Antrieb ist es, Unternehmen jeder Größe dabei zu unterstützen, datengetriebener, innovativer und effizienter zu werden und in vollem Umfang von Künstlicher Intelligenz zu profitieren."

Expertin für Data Science und Künstliche Intelligenz, Doktorin in Mathematik, CEO eines KI-Unternehmens. Kenntnisse in KI-Technologien und Methoden, viel Praxiserfahrung aus zahlreichen KI-Projekten aus Wirtschaft und Industrie.

Künstliche Intelligenz, Data Science, Machine Learning, Deep Learning, Neuronale Netze, Python, Datenvisualisierung, Mathematische Optimierung, Daten analysieren, Big Data, Cloud Computing, erklärbare Künstliche Intelligenz/Explainable AI, Descriptive Analytics, Diagnostic Analytics, Predictive Analytics, Prescriptive Analytics, Datenqualität, Machine Learning Verfahren, Machine Learning Algorithmen, Einsatz von KI im Mittelstand, Datenpotenziale erkennen, Chancen und Risiken von KI, Projektmanagement für KI-Anwendungen, Rollen in einem KI-Projekt, Digitale Transformation

• Seit 2019: Gründerin und CEO eines KI-Unternehmens
• Seit 2019: Trainerin für Data Science und Künstliche Intelligenz (offene Schulungen und Inhouse-Schulungen)
• Seit 2020: Dozentin an der Hochschule Neu-Ulm für Data Science und Künstliche Intelligenz
• 2017 - 2018: Nebenberuflicher Freelancer für Data Science und Künstliche Intelligenz
• 2017 - 2018: Data Scientist im Bereich Industrie 4.0 bei einem großen Automobilzulieferer
• 2016 - 2017: Data Scientist im Bereich Qualitätsmanagement bei einer Mobilitäts-Firma
• 2013 - 2016: Wissenschaftliche Mitarbeiterin an der TU Hamburg
• 2012 - 2013: Tutorin für Statistik und Höhere Mathematik an der TU München

• Studium der Mathematik an der TU München und der École Polytechnique
• Promotion in Mathematik an der TU Hamburg
• Diverse Weiterbildungen in Machine Learning, Deep Learning, Cloud Computing

• Deutsch
• Englisch

• Allen, P., Böttcher, J., Ehrenmüller, J. et al. (2021). A spanning bandwidth theorem in random graphs. Combinatorics, Probability and Computing.
• Clemens, D., Ehrenmüller, J., & Person, Y. (2020). A Dirac-type Theorem for Berge Cycles in Random Hypergraphs. El. J. of Combinatorics.
• Clemens, D., Ehrenmüller, J. et al. (2017). On sets not belonging to algebras and rainbow matchings in graphs. J. of Combinatorial Theory.
• Chen, G., Ehrenmüller, J. et al. (2017). Nonempty intersection of longest paths in series–parallel graphs. Discrete Mathematics.
• Ehrenmüller, J. et al. (2016). Spanning trees in random series-parallel graphs. Advances in applied mathematics.
• Clemens, D., & Ehrenmüller, J. (2016). An Improved Bound on the Sizes of Matchings Guaranteeing a Rainbow Matching. El. J. of Combinatorics.
• Clemens, D., Ehrenmüller et al. (2015). Keeping Avoider's Graph Almost Acyclic. El. J. of Comb.

• Handel
• Maschinenbau
• Lebensmittelindustrie
• Bildung und Forschung
• Medizintechnik
• Softwareentwicklung
• Handwerk
• Verlagsbranche
• Kunststoffindustrie