Personenprofil
Kurzprofil
Nicolas Ruth ist wissenschaftlicher Mitarbeiter in der Computational Humanities Group am Institut für Informatik der Universität Leipzig. Seine Forschung konzentriert sich auf die Computational Social Sciences durch Active Learning und multimodale Filmanalyse.
Bereits während seines Bachelorstudiums in Digital Humanities legte er großen Wert auf Data Science und KI-Technologien. Zwischen Bachelor und Master war er als Junior Data Scientist im Machine Learning Fachteam eines Leipziger IT-Unternehmens tätig. In dieser Position organisierte er interaktive Weiterbildungen für Softwareentwickler*innen zu Machine-Learning-Verfahren, entwickelte ML-basierte Lösungen für den Energiesektor und beschäftigte sich intensiv mit der automatisierten multimodalen Filmanalyse. Nach seiner Zeit in der freien Wirtschaft setzte er sein Studium im Master Data Science an der Universität Leipzig fort.
Berufliche Laufbahn
- seit 09/2024
Wissenschaftlicher Mitarbeiter in der Computational Humanities Group - seit 04/2022
Wissenschaftliche Hilfskraft in der Computational Humanities Group - 11/2020 - 04/2022
Junior Data Scientist - 10/2016 - 08/2020
Freiberuflicher Foto- und Videograf - 10/2016 - 07/2018
Co-Teamer der Landesvereinigung Kulturelle Jugendbildung Berlin e.V. - 09/2015 - 09/2016
Freiwilliges soziales Jahr Kultur bei einer politischen NGO
Ausbildung
- 10/2021 - 08/2024
Data Science M. Sc. - 10/2017 - 04/2022
Digital Humanities B. Sc., Universität Leipzig, abgeschlossen - 10/2016 - 04/2017
Politik- und Filmwissenschaften B. A., FSU Jena, nicht abgeschlossen
Nicolas Ruth forscht an der Nutzung technisch orientierter Methoden der Data Science für Fragestellungen der Geistes- und Sozialwissenschaften. So arbeitete er in der Vergangenheit intensiv an der Verknüpfung, Unterstützung und Erweiterung der psychoanalytischen Antisemitismusforschung durch datengetriebene Verfahren des Natural Language Processing. Die Konzeption, Erstellung und Anpassung von Machine Learning Modellen gehört dabei zu den wesentlichen Konzepten, die zur Umsetzung der Fragestellungen verwendet werden. Auch interessiert er sich aus Security Perspektive für Angriffe auf Machine Learning Verfahren und die kritische Betrachtung deren Einsatz.
Algorithmen und Verfahren: Natural Language Processing, Psycholinguistik, Sentiment und Bias Analysis, Sprachmodelle inkl. Transformer, Support Vector Machines, Multivariate Time Series Classification, Computer Vision, CNNs (object-, age- and emotion recognition), Regressionsanalysen, Decision tree learning, Autoencoder, Cybersecurity, Penetration Testing, Adversarial Attacks, Data Engineering, Relationale Datenbanken, SQL & NoSQL, Datenvisualisierung, Webapp-Entwicklung, Apache Superset