Das erwartet dich
In der Abteilung DW-DAI werden Methoden entwickelt und angewandt, die die Analyse komplexer und großer Datensätze ermöglichen. Hier wird auf Verfahren des Maschinellen Lernens, der Kausalen Inferenz sowie domänenspezifisches Prozesswissen zurückgegriffen.
Die Gruppe „Kausale Inferenz“ hat die wissenschaftliche Zielstellung, zu einem datengetriebenen Verständnis komplexer dynamischer Prozesse beizutragen. Zu diesem Zwecke entwickelt die Gruppe Methoden und Software aus den Bereichen kausale Inferenz und statistisches Lernen und wendet diese an. Dabei verfolgt die Gruppe einen anwendungsgetriebenen Ansatz. Neben einer engen Zusammenarbeit mit den AnwenderInnen der Methoden bedeutet dies, aus den Anwendungen heraus Bedarfe zu identifizieren und diese Bedarfe durch gezielte Weiterentwicklungen der Methoden zu adressieren. Ein spezieller Fokus der Gruppe liegt auf Zeitreihendaten. Darüber hinaus arbeitet die Gruppe im Bereich des quantenmaschinellen Lernens.
Deine Aufgaben
- Literaturrecherchen mit dem Ziel, Methoden und Software aus den Bereichen Statistik, maschinelles Lernen und raumzeitliche Modellierung kritisch zu bewerten und für die eigene Arbeiten nutzbar zu machen (Ist-Analyse)
- Ausarbeitung von Konzepten zur (Weiter-)Entwicklung von Algorithmen für raumzeitliche statistische Modellierung inklusive Unsicherheitsschätzung
- Umsetzung der ausgearbeiteten Konzepte durch Implementierung der Algorithmen in Python Software, sowie deren Anwendung auf synthetisch erzeugte Testdatensätze und/oder Realdatensätze
- Evaluation der Leistungsfähigkeit der Algorithmen durch systematische Auswertung der Ergebnisse der Anwendung der Algorithmen anhand geeigneter Metriken (z.B. Sensitivität, Spezifität, Rechendauer, etc.)
- Dokumentation der Implementierung, der Anwendung und der Evaluation der Leistungsfähigkeit der Algorithmen
- Prüfung der Arbeitsergebnisse in Hinblick auf eine potentielle Patentierbarkeit und ggf. (Mit-)Arbeit im Prozess der Patentbeantragung
Aufbereitung der Arbeitsergebnisse in Form von wissenschaftlichen Beiträgen zur Einreichung bei Fachjournalen und/oder wissenschaftlichen Präsentationen zur Vorstellung auf Konferenzen, Workshops, Messen, etc.
-
Das bringst du mit
- Abgeschlossenes wissenschaftliches Hochschulstudium (Master / Diplom Uni) in Mathematik, Physik, Statistik, Informatik, Datenwissenschaften oder einem anderen für die Tätigkeit relevanten Studiengang
- Fachkenntnisse im Bereich raumzeitliche statistische Modellierung
- Erste Erfahrung in der Bearbeitung von Forschungsaufgaben, vorzugsweise mit Schwerpunkt raumzeitliche statistische Modellierung
- Sehr gute Programmierkenntnisse in Python
- Sehr gute englische Sprachkenntnisse in Schrift und Wort
- Erfahrung in der Erstellung von wissenschaftlichen Publikationen
