Sechs Promotionen der UTN im Bereich „Deep Learning – Foundation Models CSAI-ML

- for english version, see below
-

Die Technische Universität Nürnberg (UTN) bietet eine inspirierende und interdisziplinäre Forschungsumgebung mit Zugang zu modernsten Ressourcen. Sie ist der ideale Ort, um zukunftsträchtige Entdeckungen zu machen und einen bedeutenden Beitrag zu spannenden Forschungsfeldern zu leisten.

Das Machine Learning Lab (Prof. Dr. Josif Grabocka) am Department of Computer Science and Artificial Intelligence der Technischen Universität Nürnberg (UTN) bietet derzeit sechs voll finanzierte Promotionsmöglichkeiten (3 Jahre, 100%-Stellen, TV-L E13) zum Thema:
Effizientes Fine-Tuning und Alignment von Foundation Models.

Wir suchen hochmotivierte und talentierte Persönlichkeiten, die unserem dynamischen und internationalen Forschungsteam beitreten und zur Spitzenforschung im Bereich der Foundation Models beitragen möchten. Die Stelle ist Teil eines neu gegründeten Forschungslabors in Kooperation mit dem Bayerischen Landesamt für Steuern, das neuartige Methoden zur Feinabstimmung und zum Alignment von Foundation Models im Anwendungsfeld der Besteuerung erforscht.

• Durchführung wissenschaftlicher Forschung zur Entwicklung neuer Methoden für das Fine-Tuning und Alignment von Foundation Models
• Veröffentlichung der Forschungsergebnisse auf führenden Konferenzen und in Fachzeitschriften wie NeurIPS, ICLR, ICML, IJCAI, AAAI, KDD, TMLR und JMLR
• Unterstützung von Prof. Dr. Josif Grabocka bei der Lehre in Kursen wie Machine Learning, Deep Learning und Foundation Models am Department of Computer Science and Artificial Intelligence der UTN

• Ein Masterabschluss (M.Sc.) in Mathematik oder Informatik mit sehr guten Noten
• Vertiefte Kenntnisse in Mathematik, Wahrscheinlichkeitstheorie, Statistik und Linearer Algebra
• Eine Masterarbeit mit klarem Schwerpunkt im Bereich Machine Learning, die über die reine Anwendung von ML auf eine spezifische Aufgabe hinausgeht
• Starke Programmierkenntnisse
• Kenntnisse in PyTorch und im Training von large-scale Deep-Learning-Modellen auf mehreren Knoten mit mehreren GPUs
• Sehr gute Kommunikations- und Präsentationsfähigkeiten in Englisch sind ebenfalls entscheidend für diese Rolle

Wenn Ihr Profil den Anforderungen entspricht, laden Sie bitte folgende Dokumente mit ihrer Bewerbung hoch:

• Ein Persönliches Motivationsschreiben, in dem Sie die Gründe für Ihren Promotionswunsch an der UTN darlegen und weshalb Sie sich für dieses Forschungsfeld und das Department interessieren.
• Ein vollständiger chronologischer, tabellarischer Lebenslauf in englischer Sprache.
• Nachweise über Ihre Studienabschlüsse (M.Sc. sowie
  
  B.Sc.) oder gleichwertige Qualifikationen.
• Transcript of Records, Diploma Supplements oder Kursübersichten ihrer Studienabschlüsse (M.Sc. sowie
  
  B.Sc. oder gleichwertige Abschlüsse).
• Ihre Masterarbeit
• (Optional) Einen Link zu Ihren Git Hub-Projekten und eventuellen bisherigen Veröffentlichungen

Bitte beachten: Falls Sie Ihre Abschlüsse (M.Sc. sowie

B.Sc. oder gleichwertige Abschlüsse) im Ausland erhalten haben, müssen Sie stets die Originalversion zusammen mit einer Übersetzung ins Englische oder Deutsche einreichen. Die Übersetzung muss von einem staatlich geprüften Übersetzer/einer staatlich geprüften Übersetzerin angefertigt worden sein und über ein offizielles Siegel verfügen.
Dokumente, deren Originalsprache Englisch ist, müssen nicht übersetzt werden.

Sollten Sie in die engere Auswahl kommen, erhalten Sie eine Einladung zu einem Interview, bei dem Sie Ihre Forschungsarbeit vorstellen können.

Weitere Informationen zum Bewerbungsprozess und den Aufnahmebedingungen finden Sie unter
Weitere Informationen zur Entgeltgruppe TV-L E13 finden Sie unter

Bitte beachten: Reisekosten und sonstige im Rahmen der Bewerbung anfallende Aufwände können nicht von uns erstattet werden.

Bitte richten Sie alle inhaltlichen Anfragen an Prof. Dr. Josif Grabocka ().

Bei allgemeinen Fragen wenden Sie sich bitte an

The University of Technology Nuremberg (UTN) offers a stimulating and interdisciplinary research environment with access to cutting-edge…