Blätter-Navigation

Of­f­re 110 sur 346 du 29/07/2020, 11:57

logo

Tech­ni­sche Uni­ver­sität Ber­lin - Fakul­tät IV - Insti­tut für Soft­ware­tech­nik und Theo­re­ti­sche Infor­ma­tik/ FG Maschi­nel­les Ler­nen

Wiss. Mit­ar­bei­ter*in (d/m/w) - Ent­gelt­gruppe 13 TV-L Ber­li­ner Hoch­schu­len

unter dem Vor­be­halt der Mit­tel­be­wil­li­gung;Teil­zeit­be­schäf­ti­gung ist ggf. mög­lich

Die TU Ber­lin bie­tet eine span­nende Tätig­keit als Wis­sen­schaft­li­che Mit­ar­bei­te­rin bzw. Wis­sen­schaft­li­cher Mit­ar­bei­ter in dem Pro­jekt „Exp­lai­ning 4.0“. Die Stelle wird in der unab­hän­gi­gen For­schungs­gruppe von Dr. Marina Höhne am Lehr­stuhl für Maschi­nel­les Ler­nen besetzt.

Auf­ga­ben­be­sch­rei­bung:

Künst­li­che Intel­li­genz (KI) hat auf den unter­schied­lichs­ten Gebie­ten, wie bei­spiels­weise dem auto­no­men Fah­ren oder der Krebs­zel­len­dia­gnos­tik erstaun­li­che Leis­tun­gen erzielt. Trotz­dem besteht gerade in sicher­heits­kri­ti­schen Berei­chen das Risiko, dass Ent­schei­dungs­sys­teme fal­sche Vor­her­sa­gen tref­fen. Um einen brei­ten Ein­satz von KI Sys­te­men wie „Deep Lear­ning“ ermög­li­chen zu kön­nen, müs­sen die hoch­kom­ple­xen Sys­teme bes­ser ver­stan­den wer­den. Weg­wei­send ist hier das Gebiet der Erklär­ba­ren Künst­li­chen Intel­li­genz (Exp­lainable AI - XAI), wel­ches sich mit dem Ver­ständ­nis von KI-Model­len und deren Ent­schei­dun­gen beschäf­tigt.

Das Pro­jekt Exp­lai­ning 4.0, geför­dert vom Bun­des­mi­nis­te­rium für Bil­dung und For­schung (BMBF), hat als Ziel die Ent­wick­lung von Metho­den, die einen signi­fi­kan­ten Bei­trag zu einem ganz­heit­li­chen Ver­ständ­nis von KI-Model­len leis­ten.
Für unser jun­ges Team suchen wir eine*n Pro­mo­ti­ons­stu­dent*in die*der sich für Wis­sen­schaft begeis­tert und moti­viert ist, das For­schungs­feld „Exp­lainable AI“ (XAI) ent­schei­dend vor­an­zu­brin­gen.

Es erwar­ten Sie:
  • span­nende For­schungs­auf­ga­ben im Bereich des maschi­nel­len Ler­nens
  • Die Mög­lich­keit, wert­volle Bei­träge zu XAI-Spit­zen­for­schung leis­ten zu kön­nen
  • Die Mög­lich­keit, deine Bei­träge in Kon­fe­renz und Jour­nal Publi­ka­tio­nen zu ver­öf­fent­li­chen
  • Die Mög­lich­keit zur Pro­mo­tion (PhD)
  • ein hoch­mo­ti­vier­tes, inter­na­tio­na­les Team
  • fle­xi­ble Arbeits­zei­ten und exzel­lente Aus­stat­tung
  • Betreu­ung durch erfah­rene Wis­sen­schaft­ler*innen
  • Zuge­hö­rig­keit zu dem Lehr­stuhl für Maschi­nel­les Ler­nen der TU Ber­lin
  • enge Koope­ra­tion mit dem Ber­lin Insti­tute for the Foun­da­ti­ons of Lear­ning and Data (BIFOLD), der For­schungs­gruppe Maschi­nel­les Ler­nen des HHI und der dem Depart­ment of Com­pu­ter Sci­ence der TU Kai­sers­lau­tern, u.v.a.

Er­war­te­te Qua­li­fi­ka­tio­nen:

  • erfolg­reich abge­schlos­se­ner Hoch­schul­ab­schluss (Mas­ter, Diplom oder Äqui­va­lent) in Infor­ma­tik, Phy­sik, Inge­nieur­we­sen oder Ange­wand­ter Mathe­ma­tik (oder ähn­li­chem)
  • fun­dierte Kennt­nisse im Bereich Maschi­nel­les Ler­nen, insb. Kern-Metho­den, tiefe neu­ro­nale Netz­werke und sta­tis­ti­sche Lern­theo­rie
  • prak­ti­sche Erfah­run­gen in der Ent­wick­lung und Anwen­dung von Algo­rith­men des Maschi­nel­len Ler­nens
  • aus­ge­zeich­nete Kennt­nisse in Baye­sian Lear­ning
  • Erfah­rung in sta­tis­ti­scher Model­lie­rung
  • Kennt­nisse in Spiel­theo­rie und linea­rer und nicht­li­nea­rer Opti­mie­rung von Vor­teil
  • Kennt­nisse im Bereich Erklär­ba­rer Künst­li­cher Intel­li­genz
  • fun­dierte Pro­gram­mier­kennt­nisse (vor allem in Python und C++), ins­be­son­dere Erfah­rung mit ML und lineare Alge­bra Biblio­the­ken (PyTorch, NumPy, sklearn, etc.)
  • Erfah­run­gen im Umgang mit Ver­sio­nie­rungs­werk­zeu­gen, z. B. Git
  • Erfah­rung mit big data pro­gramming Spra­chen (z.B. Spark, Hadoop, Flink) und par­al­le­ler Pro­gram­mie­rung
  • Erfah­rung mit unix basier­ten Sys­te­men, z.B. Linux
  • exzel­lente Eng­lisch Kennt­nisse in Wort und Schrift; gute Deutsch­kennt­nisse erfor­der­lich; bzw. Bereit­schaft, die jeweils feh­len­den Sprach­kennt­nisse zu erler­nen.
  • selb­stän­di­ger, effek­ti­ver, struk­tu­rier­ter Arbeits­stil
  • inter­dis­zi­pli­näre und koope­ra­tive Pro­jekt­er­fah­rung von Vor­teil
  • Erfah­rung im wis­sen­schaft­li­chen Arbei­ten ist von Vor­teil

Hin­wei­se zur Be­wer­bung:

Ihre Bewer­bung rich­ten Sie bitte unter Angabe der Kenn­zif­fer mit den übli­chen Unter­la­gen aus­schließ­lich per E-Mail an Dr. Marina Höhne unter sekr@ml.tu-berlin.de.

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 - Der Prä­si­dent - Fakul­tät IV, Insti­tut für Soft­ware­tech­nik und Theo­re­ti­sche Infor­ma­tik, FG Maschi­nel­les Ler­nen, Dr. Marina Höhne, Sekr. MAR 4-1, March­str. 23, 10587 Ber­lin