Doktorander i maskininlärning

Lunds Universitet / Högskolejobb / Lund
Observera att sista ansökningsdag har passerat.

Visa alla högskolejobb i Lund, Lomma, Staffanstorp, Burlöv, Kävlinge eller i hela Sverige
Visa alla jobb hos Lunds Universitet i Lund, Malmö, Höör, Klippan, Helsingborg eller i hela Sverige

Lunds universitet grundades 1666 och rankas återkommande som ett av världens 100 främsta lärosäten. Här finns 40 000 studenter och 7 600 medarbetare i Lund, Helsingborg och Malmö. Vi förenas i vår strävan att förstå, förklara och förbättra vår värld och människors villkor.

Lunds Tekniska Högskola, LTH, är en teknisk fakultet inom Lunds universitet med forskning av hög internationell klass och stora satsningar på pedagogisk mångfald.

Forskarutbildningsämne

Datavetenskap eller Matematik

Ämnesbeskrivning
Black-box-optimering är en variant av funktionsoptimering där funktionerna endast kan räknas ut genom numerisk simulering och för vilka partiella derivator är antigen okända eller odefinierade.

En metod att optimera sådana funktioner bygger på en följd av funktionsuträkningar för att bygga och förbättra en surrogatmodell som sedan används for att köra optimeringen. Även om den är mycket effektiv, är denna modellbaserade metod vanligtvis beräkningsintensiv och blir opraktisk när antalet inputvariabler är större än några dussin och när fler kriterier måste vägas in samtidigt.

Målet för detta projekt, som är finansierad av WASP (Wallenberg AI, Autonomous System and Software Programme,(http://wasp-sweden.org), är att introducera innovativa algoritmer och metodologier för att övervinna begränsningar av black-box-optimering med multipla kriterier. Detta forskningsämne ligger i gränslandet mellan det bredare området Black-box- optimering och statistisk maskininlärning. Projektet ska utveckla statistiska metoder för att bygga surrogatmodeller. De modellerna ska sedan kunna undersökas med hjälp av bayesiansk optimering och liknande metoder för att identifiera processparametrarna som optimerar baserat på flera kriterier, eller som maximerar informationen man får genom experiment. Användning av bayesianska statistiska metoder förstärkta med a-priori-kunskap ska möjliggöra kombination av information från fler källor, t.ex. från experiment av olika slag, medan osäkerheten ska hanteras på ett rigoröst och enhetligt sätt. De nya algoritmerna och metodologierna ska testas i en mängd syntetiska och verkliga applikationer som automatiserad maskininlärning (AutoML), automatiserad konfigurering av kompilatorer, hårdvarudesign och datorseende.

Detta projekt är ett samarbete med Stanford University. Studenten ska uppmuntras att utnyttja utbytesprogram med Stanford för att garantera kontakter med samarbetspartners.

Intresseområden:

- Black-box-optimering
- Derivatafri optimering (DFO)
- Bayesiansk optimering
- Algoritmkonfigurering och -urval
- Aktiv inlärning
- Automatiserad maskininlärning (AutoML)
- Återkopplad inlärning (RL)
- Evolutionära algoritmer (EA)
- Diskret optimering och lösning av NP-svåra problem

Publiceringsdatum
2020-01-24

Dina arbetsuppgifter
Huvuduppgiften för en doktorand är att ägna sig åt sin forskarutbildning vilket innefattar såväl deltagande i forskningsprojekt som forskarutbildningskurser. I arbetsuppgifterna ingår det även medverkan i undervisning och annat institutionsarbete, dock max 20 % av arbetstiden.

Deltagande i ett forskningsprojekt involverar:

- Översikt av litteraturen inom forskningsämnet.
- Design av teori, metoder och deras implementering.
- Experiment i simulerade och verkliga applikationer.
- Närvarande och aktivt deltagande i forsknings- och utbildningsverksamhet av forskningsgruppen.
- Kommunicerande av resultat genom publikationer av vetenskapliga artiklar i högklassiga konferenser och tidskrifter.

För behörighet, krav, bedömningsgrunder, villkor och annonsen i sin helhet se: https://lu.varbi.com/se/what:job/jobID:303320/

Instruktioner för ansökan
Ansökan ska skrivas på engelska. Ansökan ska innehålla personligt brev med motivering till varför du är intresserad av anställningen och på vilket sätt forskningsprojektet matchar dina intressen och din utbildningsbakgrund. Ansökan ska även innehålla CV, examensbevis eller motsvarande samt övrigt som du önskar åberopa (kopior av betyg, uppgifter till referenser, rekommendationsbrev etc.).

Lunds universitet välkomnar sökande med olika bakgrund och erfarenheter. Vi ser jämställdhet och mångfald som en styrka och tillgång. Välkommen med din ansökan! Vi undanber oss alla kontakter från annonsförsäljare, rekryterings- och bemanningsföretag på grund av statliga upphandlingsregler.

Varaktighet, arbetstid
100. Tillträde: Snarast Visstidsanställning

Ersättning
Månadslön

Så ansöker du
Sista dag att ansöka är 2020-02-11
Klicka på denna länk för att göra din ansökan

Företag
Lunds Universitet

Arbetsgivarens referens
Arbetsgivarens referens för detta jobb är "PA2019/3983".

Omfattning
Detta är ett heltidsjobb.

Arbetsgivare
Lunds Universitet (org.nr 202100-3211)

Arbetsplats
LTH, Institutionen för datavetenskap eller Matematikcentrum

Jobbnummer
5059757

Observera att sista ansökningsdag har passerat.

Doktorander i maskininlärning

Prenumerera på jobb från Lunds Universitet