Stellenticket Leibniz Universität Hannover

In die­sem Pro­jekt ist geplant, Ansätze des maschi­nel­len Ler­nens, ins­be­son­dere aus dem Bereich des sog. Deep Lear­ning, mit (redu­zier­ten) ODE Model­len in dem Sinne zu kop­peln, dass das Modell zu einem inte­gra­len Bestand­teil der Ler­ni­te­ra­tion wird. Auf diese Weise kann das Trai­ning des tie­fen Net­zes auf den ver­füg­ba­ren – aber mög­li­cher­weise gerin­gen und unvoll­stän­di­gen – Daten auf­bauen, wird aber zusätz­lich durch die rele­vante Phy­sik regu­la­ri­siert. Für viele Sze­na­rien sind diese redu­zier­ten (oder ver­grö­ber­ten) Modelle ver­füg­bar. Obwohl sie deut­lich weni­ger kom­plex sind und oft nur auf eini­gen weni­gen grund­le­gen­den struk­tu­rel­len Eigen­schaf­ten basie­ren, ent­hal­ten sie immer noch die grund­le­gende Phy­sik bzw. die grund­le­gen­den Struk­tu­ren des Pro­blems. Die zu ent­wi­ckeln­den Metho­den sol­len dann z.B. auf Daten zur Mei­nungs­bil­dung in sozia­len Netz­wer­ken, zur Aus­brei­tung von Infek­ti­ons­krank­hei­ten oder aus dem Bereich Ein­zel­zel­lana­lyse ange­wandt wer­den. Lehr­auf­ga­ben.

Wir erwar­ten in die­sem Pro­jekt selbst­stän­dige und ver­ant­wort­li­che For­schung in den beschrie­be­nen Berei­chen aber auch die Eva­lua­tion alter­na­ti­ver Ansätze. Ein Schwer­punkt wird auf der kon­kre­ten Model­lie­rung der spe­zi­fi­schen anwen­dungs­ge­trie­be­nen Fra­ge­stel­lun­gen und der Imple­men­tie­rung effi­zi­en­ter Algo­rith­men zur Infe­renz auf gro­ßen Daten­men­gen lie­gen.

Erfolg­reich abge­schlos­se­nes wis­sen­schaft­li­ches Hoch­schul­stu­dium (Mas­ter, Diplom oder Äqui­va­lent) in Mathe­ma­tik, Phy­sik, Infor­ma­tik oder Bio­in­for­ma­tik; Erfah­rung im Bereich dyna­mi­scher Sys­teme bzw. der ODE-basier­ten Model­lie­rung und des Maschi­nel­len Ler­nens; sehr gute Pro­gram­mier­kennt­nisse in C/C++, Java oder Python, ins­be­son­dere in den Biblio­the­ken NumPy/SciPy oder PyTorch/Ten­sor­Flow. Erfah­rung in der Ana­lyse von Daten aus den Sozial- oder Lebens­wis­sen­schaf­ten sind von Vor­teil. Die Fähig­keit zum Unter­rich­ten, sowohl in deut­scher, als auch in eng­li­scher Spra­che wird vor­aus­ge­setzt.

Ihre schrift­li­che Bewer­bung rich­ten Sie bitte unter Angabe der Kenn­zif­fer mit den übli­chen Bewer­bungs­un­ter­la­gen an die Tech­ni­sche Uni­ver­si­tät Ber­lin - Die Prä­si­den­tin - Fakul­tät IV, Insti­tut für Soft­ware­tech­nik und Theo­re­ti­sche Infor­ma­tik, FG Maschi­nel­les Ler­nen, Prof. Dr. Müller, MAR 4-1, March­str. 23, 10587 Ber­lin oder per E-Mail (eine PDFDa­tei, max. 5 MB) an: jobs@bifold.berlin.

Aus Kos­ten­gründen wer­den pos­ta­lisch zuge­sandte Bewer­bungs­un­ter­la­gen nicht zurückge­sandt. Bitte rei­chen Sie nur Kopien ein.

Mit der Abgabe einer Online­be­wer­bung geben Sie als Bewer­ber*in Ihr Ein­ver­ständ­nis, dass Ihre Daten elek­tro­nisch ver­ar­bei­tet und gespei­chert wer­den. Wir wei­sen dar­auf hin, dass bei unge­schütz­ter Über­sen­dung Ihrer Bewer­bung auf elek­tro­ni­schem Wege keine Gewähr für die Sicher­heit über­mit­tel­ter per­sön­li­cher Daten über­nom­men wer­den kann. Daten­schutz­recht­li­che Hin­weise zur Ver­ar­bei­tung Ihrer Daten gem. DSGVO fin­den Sie auf der Web­seite der Per­so­nal­ab­tei­lung:
https://www.abt2-t.tu-berlin.de/menue/themen_a_z/datenschutzerklaerung/ oder Direkt­zu­gang: 214041.

Zur Wah­rung der Chan­cen­gleich­heit zwi­schen Frauen und Män­nern sind Bewer­bun­gen von Frauen mit der jewei­li­gen Qua­li­fi­ka­tion aus­drück­lich erwünscht. Schwer­be­hin­derte wer­den bei glei­cher Eig­nung bevor­zugt berück­sich­tigt. Die TU Ber­lin schätzt die Viel­falt ihrer Mit­glie­der und ver­folgt die Ziele der Chan­cen­gleich­heit.

Tech­ni­sche Uni­ver­si­tät Ber­lin - Die Prä­si­den­tin - Fakul­tät IV, Insti­tut für Soft­ware­tech­nik und Theo­re­ti­sche Infor­ma­tik, FG Maschi­nel­les Ler­nen, Prof. Dr. Klaus-Robert Müller, Sekr. MAR 4-1, March­str. 23, 10587 Ber­lin