Wissenschaftliche/r Mitarbeiter/in (TU Berlin)

Deadline
July 06, 2021

 

Wiss. Mit­ar­bei­ter*in (d/m/w) - Ent­gelt­gruppe 13 TV-L Ber­li­ner Hoch­schu­len
unter Vor­be­halt der Mit­tel­be­wil­li­gung - Teil­zeit­be­schäf­ti­gung ist ggf. mög­lich

Das Ber­lin Insti­tute for the Foun­da­ti­ons of Lear­ning and Data (BIFOLD) der TU Ber­lin (Prof. Dr. Klaus-Robert Mül­ler) sucht für ein Agi­lity-Teil­pro­jekt (AP) des BZML eine*n wis­sen­schaft­li­che*n Mit­ar­bei­ter*in. Das Arbeits­pa­ket wird in enger Koope­ra­tion mit der Arbeits­gruppe „Bil­der und Kon­fi­gu­ra­tio­nen in cor­pora von Uni­ver­si­täts­text­bü­chern“ von Prof. Dr. Matteo Val­le­riani am Max-Planck-Insti­tut für Wis­sen­schafts­ge­schichte (MPIWG), durch­ge­führt. Die AG Val­le­riani unter­sucht Wis­sens­pro­zesse, die sich in einem Kor­pus früh­neu­zeit­li­cher astro­no­mi­scher Text­bü­cher abbil­den. Dabei wer­den Machine Lear­ning und Com­pu­ter Vision Ver­fah­ren ein­ge­setzt, um gezielt Infor­ma­tion aus dem Kor­pus zu extra­hie­ren und latente Zusam­men­hänge zwi­schen den iden­ti­fi­zier­ten Infor­ma­ti­ons­ein­hei­ten sicht­bar zu machen.

Auf­ga­ben­be­sch­rei­bung: Im Rah­men des Pro­jekts wurde pro­to­ty­pisch ein Deep Lear­ning Modell ent­wi­ckelt, mit dem sich in den Digi­ta­li­sa­ten früh­neu­zeit­li­cher gedruck­ter Bücher Illus­tra­tio­nen iden­ti­fi­zie­ren und extra­hie­ren las­sen. Ein zwei­tes Model bewer­tet Ähn­lich­kei­ten zwi­schen die­sen Illus­tra­tio­nen. Die oder der erfolg­rei­che Bewer­ber*in gene­ra­li­siert, kon­so­li­diert und ver­knüpft beide Anwen­dun­gen zu einem Modell, das als Web­ser­vice für eine breite Com­mu­nity frei zur Ver­fü­gung gestellt wird.

Ihre Auf­ga­ben:

  • For­schung und Imple­men­tie­rung von Metho­den und Sys­te­men des Maschi­nel­len Ler­nen

  • Imple­men­tie­ren, desi­gnen und arbei­ten mit Machine Lear­ning und mathe­ma­ti­schen Model­len 

  • Publi­ka­tion von Model­len und Release von Codes als Open Source

  • Rea­li­sie­rung eines Web-Ser­vice und Ent­wick­lung und Design von API für die Wie­der­ver­wen­dung

Er­war­te­te Qua­li­fi­ka­tio­nen:

  • erfolg­reich abge­schlos­se­nes wis­sen­schaft­li­ches Hoch­schul­stu­dium (Mas­ter, Diplom oder Äqui­va­lent) in Mathe­ma­tik, Infor­ma­tik o.ä., oder der Geschichts­wis­sen­schaft;

  • Erfah­rung im Bereich der mathe­ma­ti­schen Model­lie­rung und des Maschi­nel­len Ler­nens vor­aus­ge­setzt, bevor­zugt im Bereich Deep Lear­ning;

  • Erfah­rung mit Metho­den der Com­pu­ter Vision, ins­be­son­dere Fea­ture Extrac­tion und Matching, sowie Image Regis­tra­tion;

  • Prak­ti­sche Erfah­run­gen in der Ent­wick­lung und Anwen­dung neu­ro­na­ler Netze in der Bild­ver­ar­bei­tung (z.B. Con­vNets);

  • sehr gute Pro­gram­mier­kennt­nisse in Python, NumPy/SciPy, Keras/Ten­sor­Flow unab­ding­bar;

  • sehr gute Sprach­kennt­nisse in Eng­lisch erfor­der­lich; Deutsch­kennt­nisse erwünscht bzw. die Bereit­schaft diese zu erler­nen

Bevor­zugte Qua­li­fi­ka­tion:

  • Erfah­rung im Umgang mit und der Ana­lyse von his­to­ri­schen Druck­zeug­nis­sen und iko­no­gra­phi­schen Quel­len

Hin­wei­se zur Be­wer­bung: Ihre Bewer­bung rich­ten Sie bitte unter Angabe der Kenn­zif­fer (IV-350/21) mit den übli­chen Unter­la­gen (zusam­men­ge­fasst in einem pdf-Doku­ment, max. 5 MB) per E-Mail an Prof. Dr. Klaus-Robert Mül­ler unter office@bzml.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.