06.09.2022 aktualisiert
100 % verfügbar
Data Scientist, Machine Learning Researcher
Berlin, Deutschland
Deutschland
Kurz vor Abschluss der Promotion, Theoretische PhysikSkills
* Seit 5+ Jahren Erfahrung in der Anwendung und Entwicklung von Machine-Learning-Methoden und -Algorithmen
* Entwerfen neuartiger auf das Problem zugeschnittener Modelle
* Kritische Analyse der Modelle, Interesse am Verständnis, warum und inwiefern die Modelle funktionieren zur besseren Einschätzung ihrer Vorhersagekraft
* Entwerfen neuartiger auf das Problem zugeschnittener Modelle
* Kritische Analyse der Modelle, Interesse am Verständnis, warum und inwiefern die Modelle funktionieren zur besseren Einschätzung ihrer Vorhersagekraft
Sprachen
DeutschMutterspracheEnglischgut
Projekthistorie
* Entwicklung einer neuartigen, auf neuronalen-Netzen-basierten Methode für
Kristallstrukturvorhersagen unter der Verwendung von quantenmechanischen
Materialdaten. Als Einzige unter anderen bekannten Methoden aus dem betrachteten
Wissenschaftsfeld liefert die Methode zuverlässige Vorhersagen in
realistischen Anwendungsszenarien, d.h. 100% gegen 0% Genauigkeit.
* Mitentwicklung einer auf Compressed-Sensing-basierten Methode für das Extrahieren
der besten Features aus Milliarden von Kandidaten für Multi-Task-
Symbolische-Regressions-Modelle. Die Weiterentwicklung zur Multi-Task-Methode
ermöglichte das Fitten von akkuraten Modellen trotz lückenhafter Trainingsdaten.
* Aufstellen von Modellen zur Vorhersage der Ungenauigkeit von unterschiedlichen
Machine-Learning-Modellen aus der theoretischen Materialwissenschaft.
* Anwendung weiterer Machine-Learning-Methoden (z.B. Kernel Ridge Regression,
Support Vector Machines, Principal Component Analysis, Clustering-Methoden)
und der numerischen Mathematik zur Analyse unterschiedlicher, materialwissenschaftlich
relevanter Datensätze wie auch zum Aufstellen von Modellen zur
Vorhersage.
* Organisieren und Erstellen von Machine-Learning-Sessions und -Tutorien in
unterschiedlichen internationalen Workshops.
Kristallstrukturvorhersagen unter der Verwendung von quantenmechanischen
Materialdaten. Als Einzige unter anderen bekannten Methoden aus dem betrachteten
Wissenschaftsfeld liefert die Methode zuverlässige Vorhersagen in
realistischen Anwendungsszenarien, d.h. 100% gegen 0% Genauigkeit.
* Mitentwicklung einer auf Compressed-Sensing-basierten Methode für das Extrahieren
der besten Features aus Milliarden von Kandidaten für Multi-Task-
Symbolische-Regressions-Modelle. Die Weiterentwicklung zur Multi-Task-Methode
ermöglichte das Fitten von akkuraten Modellen trotz lückenhafter Trainingsdaten.
* Aufstellen von Modellen zur Vorhersage der Ungenauigkeit von unterschiedlichen
Machine-Learning-Modellen aus der theoretischen Materialwissenschaft.
* Anwendung weiterer Machine-Learning-Methoden (z.B. Kernel Ridge Regression,
Support Vector Machines, Principal Component Analysis, Clustering-Methoden)
und der numerischen Mathematik zur Analyse unterschiedlicher, materialwissenschaftlich
relevanter Datensätze wie auch zum Aufstellen von Modellen zur
Vorhersage.
* Organisieren und Erstellen von Machine-Learning-Sessions und -Tutorien in
unterschiedlichen internationalen Workshops.
* Implementierung von Machine-Learning-Software für Cloud Computing (Python,
Fortran, Docker, MPI)
* Implementieren von Programmen 1) zur Abschätzung der benötigten Rechenleistung
von Softwareanwedungen und 2) zum Bereitstellen entsprechender
Computerressourcen auf Rechenclustern.
Fortran, Docker, MPI)
* Implementieren von Programmen 1) zur Abschätzung der benötigten Rechenleistung
von Softwareanwedungen und 2) zum Bereitstellen entsprechender
Computerressourcen auf Rechenclustern.
* Aufstellen von interpretierbaren Machine-Learning-Modellen für quantenmechanische
Berechnungen von Kristallstrukturen.
Berechnungen von Kristallstrukturen.