Blätter-Navigation

Offre 302 sur 541 du 18/11/2022, 09:28

logo

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

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

Teil­zeit­be­schäf­ti­gung ist ggf. mög­lich

Das Ber­lin Insti­tute for the Foun­da­ti­ons of Lear­ning and Data (BIFOLD) der TU Ber­lin (Prof. Klaus Robert Muel­ler) sucht für ein Agi­lity-Teil­pro­jekt eine*n wis­sen­schaft­li­che*n Mit­ar­bei­ter*in im Bereich Maschi­nel­les Ler­nen und Bio­in­for­ma­tik. Das AP wird in enger Koope­ra­tion mit dem „Insti­tute for Com­pu­ta­tio­nal Can­cer Bio­logy“ von Prof. Dr. Roland Schwarz, am Can­cer Rese­arch Cen­ter Colo­gne Essen des Uni­ver­si­täts­klink­ums Köln, durch­ge­führt.

Die AG Schwarz ent­wi­ckelt Algo­rith­men zur Unter­su­chung von intra­tu­mo­ra­ler Hete­ro­ge­ni­tät und Krebs­evo­lu­tion. Auf­bau­end auf Algo­rith­men zur Rekon­struk­tion der Krebs­evo­lu­tion im Pati­en­ten aus soma­ti­schen Kopi­en­zahl­aberra­tio­nen [1], wurde kürz­lich ein Ver­fah­ren zur Zuwei­sung der­ar­ti­ger Aberra­tio­nen auf indi­vi­du­elle elter­li­che Haplo­ty­pen ent­wi­ckelt und zur Anwen­dung gebracht [2]. Das Ziel die­ses Pro­jekts ist die Ent­wick­lung eines neuen Algo­rith­mus zur Bestim­mung haplo­typ-spe­zi­fi­scher Kopi­en­zahl- und Struk­tur­va­ri­an­ten aus Ein­zel-Zell Strand-seq [3] Daten und der Rekon­struk­tion der zugrun­de­lie­gen­den Haplo­ty­pen mit Ver­fah­ren des maschi­nel­len Ler­nens.

Aufgabenbeschreibung:

Selbst­stän­dige und ver­ant­wort­li­che For­schung im Bereich Maschi­nel­les Ler­nen und Bio­in­for­ma­tik. Zur Ent­wick­lung des Algo­rith­mus kön­nen z.B. pro­ba­bi­lis­ti­sche Modelle, die Abhän­gig­kei­ten zwi­schen Zufalls­va­ria­blen abbil­den (pro­ba­bi­lis­ti­sche gra­phi­sche Modelle) zum Ein­satz kom­men. Alter­na­tive Ansätze sol­len selbst­stän­dig eva­lu­iert wer­den. Ein Schwer­punkt wird auf der kon­kre­ten Model­lie­rung bio­lo­gi­scher Fra­ge­stel­lun­gen und der Imple­men­tie­rung effi­zi­en­ter Algo­rith­men zur Infe­renz auf gro­ßen Daten­men­gen lie­gen.

Erwartete Qualifikationen:

Erfolg­reich abge­schlos­se­nes wis­sen­schaft­li­ches Hoch­schul­stu­dium (Diplom, Mas­ter oder Äqui­va­lent; Pro­mo­tion erwünscht) in Mathe­ma­tik, Phy­sik, Infor­ma­tik oder Bio­in­for­ma­tik; mehr­jäh­rige Erfah­rung im Bereich sta­tis­ti­scher Metho­den und des Maschi­nel­len Ler­nens vor­aus­ge­setzt, bevor­zugt im Bereich Pro­ba­bi­lis­ti­scher Gra­phi­scher Modelle, Hid­den-Mar­kov-Modelle und Bayes Net­zen; sehr gute Pro­gram­mier­kennt­nisse in Python, NumPy/SciPy, PyTorch/Ten­sor­Flow unab­ding­bar; sehr gute Sprach­kennt­nisse in Eng­lisch und Deutsch erfor­der­lich; Erfah­rung in der Ana­lyse geno­mi­scher Daten und/oder Sequen­zier­da­ten sind von Vor­teil.

Hinweise zur Bewerbung:

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 PDF-Datei, 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