Berlin University Alliance Jobportal

Selbstständige und verantwortliche Forschung im Bereich Maschinelles Lernen. Ziel ist es, semantische Beziehungen zwischen Texten quantitativ zu bestimmen.

Die Aufgaben dabei sind:

• Datenextraktion aus über 110.000 Seiten des Sphaera-Korpus
• Aufbau effizienter Bildsegmentierungspipelines und Feinabstimmung von OCR-Ansätzen zur Anpassung an verschiedene frühneuzeitliche Druckstile und Sprachen
• Verbesserung der Spracherkennung für unter-repräsentierte Sprachen durch Transfer moderner Sprachtechnologie, z.B. Large Language Models
• Entwicklung und Analyse von Ansätzen für die Gewinnung historischer Erkenntnisse aus den Ergebnissen
• Kommunikation der Ergebnisse durch Präsentationen
• Mithilfe bei der Pflege und Erweiterung der Sphaera-Datenbank (semantische Technologien)

• Erfolgreich abgeschlossenes wissenschaftliches Hochschulstudium (Master, Diplom oder Äquivalent) in Mathematik, Physik, Informatik, Data Science, Digital Humanities oder verwandtem Feld;
• Gute Deutsch- und/oder Englischkenntnisse erforderlich; Bereitschaft, die jeweils fehlenden Sprachkenntnisse zu erwerben;
• Solide mathematische Grundlagen, vor allem in Statistik und Wahrscheinlichkeitstheorie, Analysis und Lineare Algebra;
• Nachgewiesene Erfahrung in den Bereichen maschinelles Lernen und Data Science mit einem ausgeprägten Verständnis von Algorithmen, Statistik und mathematischen Konzepten;
• Sehr gute Programmierkenntnisse in Python, und solide Kenntnisse gängiger Frameworks für maschinelles Lernen wie PyTorch, TensorFlow oder scikit-learn;
• Vertrautheit mit SOTA Machine Learning Modellen und Ansätzen;
• Vertrautheit mit Explainable Artificial Intelligence (XAI);
• Fähigkeit mit einem Team von Historiker*innen und weiteren ML Expert*innen zu interagieren.

Wünschenswerte Qualifikationen:

• Solide Kenntnisse von SQL und SPARQL für effiziente Datenextraktion, -manipulation und -analyse;
• Gute Kenntnisse der Datenstruktur von Wissensgraphen (z. B. RDF-Datenstruktur);
• Gutes Verständnis der Netzwerkanalyse;
• Erfahrung mit Versionskontrollsystemen (z. B. Git) und Docker-Containern;
• Ausgeprägte Kommunikationsfähigkeiten in englischer Sprache und die Fähigkeit, komplexe Themen einem breiten Publikum aus verschiedenen Bereichen zu erklären (d. h. sowohl Historiker*in als auch Informatiker*in);
• Grundkenntnisse in HTML und JavaScript;
• Erfahrung mit der Implementierung von ML-Methoden;
• Interesse an geisteswissenschaftlicher/historischen Fragestellungen;
• Publikationen relevant für Maschinelles Lernens.

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 Technische Universität 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