Kungliga Tekniska högskolan, Skolan för datavetenskap och kommunikation

KTH är ett av Europas ledande tekniska universitet och en viktig arena för kunskapsutveckling. Som Sveriges största universitet för teknisk forskning och utbildning samlar vi studenter, forskare och fakultet från hela världen. Vår forskning och utbildning omfattar såväl naturvetenskap som alla grenar inom teknik samt arkitektur, industriell ekonomi, samhällsplanering, teknisk historia och filosofi.

För mer information om skolan för datavetenskap och kommunikation, besök www.kth.se/csc.

Avdelningsinformation

Tjänsten kommer formellt att vara placerad vid avdelningen för beräkningsvetenskap och beräkningsteknik (CST) vid KTH men arbetet kommer att utföras på Science for Life Laboratory. CST-avdelningen utför forskning för att förstå och modellera fysiska och biologiska system med hjälp av beräkningstekniker som kräver effektiva algoritmer och implementeringar med hög prestanda tillsammans med avancerade visuella analysmöjligheter. För mer information gå till https://www.kth.se/csc/forskning/cst

Science for Life Laboratory, SciLifeLab, är ett nationellt centrum för molekylärbiovetenskap med fokus på hälso- och miljöforskning. Centret kombinerar avancerad teknisk expertis från olika discipliner med avancerad kunskap om translationell medicin och molekylär biovetenskap. SciLifeLab har ett uppdrag från den svenska regeringen att vara ett internationellt ledande center för storskaliga analyser inom molekylärbiovetenskap som inriktar sig på forskning inom hälsa och miljö och att driva infrastruktur för att stödja forskare. För mer information, besök https://www.scilifelab.se/.

Vår forskningsgrupp samarbetar nära läkare och biologer på SciLifeLab och i Karolinska Institutet, en av världens ledande medicinska skolor, för att utveckla algoritmer och programvara för att automatiskt analysera och tolka mikroskopiska och medicinska bilder (https://www.kth.se/profile/ksmith).

Arbetsuppgifter

Deep learning, som ett område för maskininlärning, har dramatiskt drivit prestandan hos många intelligenta system, men många viktiga frågor är öppna för forskning. Hur ska man tolka sin beslutsprocess? Kan man framgångsrikt lära sig djupa inlärningsmodeller utan storskalig annoterad data? Vad är gränserna för dess tillämpning på andra områden?

Doktorandens roll kommer att vara att fokusera på att utveckla teoretiska framsteg när det gäller dessa forskningsfrågor och / eller tillämpa dem på allmän datorvision och i mindre utsträckning naturlig språkbehandling. En sekundär aspekt innefattar applikationer med medicinsk data. Medicinsk dataanalys lockar uppmärksamhet från toppspelare inom olika områden, eftersom fler data och resurser blir tillgängliga (t.ex. Medical Imagenet från Stanford University). Vi kommer att leta efter sätt att tillämpa de metoder vi utvecklar i många spännande medicinska applikationer som automatisk diagnos, personlig läkemedelsupptäckt, genetisk analys och så vidare.

De specifika forskningsämnena kan innefatta men är inte begränsade till att använda adversarial träning för oövervakad och semi-supervised lärande samt domänanpassning, osäkerhetsuppskattning av ett djupt nätverks utdata, förståelse av djupa nätverk och dess inre verkningar och tillämpning av state-of-the -artmodeller till mycket effektiva medicinska tillämpningar såsom cancerprediktion i medicinska data. Om studenten är villig och erfaren nog i djupt lärande, kommer han / hon att ha lite frihet att styra forskningsriktningen.

Detta är en tidsbegränsad position på fyra (4) år med full finansiering och stöd för resor till konferenser etc. Det kan förlängas upp till fem (5) år med upptagande av högst 20% avdelningsuppgifter, typiskt undervisning.

För att vara anställd måste du ansöka och bli godkänd som doktorand vid KTH. Startdatumet är öppet för diskussion, men vi vill tillsätta tjänsten så snart som möjligt.

Kvalifikationer

Den sökande bör ha en masterexamen men även sökande med kandidatexamen kan beaktas.

Sökande ska ha god kunskap i engelska och förmåga att uttrycka sig tydligt både i tal och skrift. Sökande ska vara starkt motiverad för doktorandstudier, måste ha visat förmåga att arbeta självständigt och utföra kritisk analys samt god samarbets- och kommunikationsförmåga.

Högsta vikt är tidigare erfarenhet / utbildning i både teori och praktik av maskininlärning, speciellt djupt lärande. Vi föredrar erfarna användare av djupa inlärningsramar som TensorFlow, Torch, Keras, Theono, Caffe, CNTK, MXNet. Kunskaper i ett eller två vetenskapliga beräkningsspråk (R, Matlab, Python) krävs.

Också önskvärt är tidigare erfarenhet av parallella programmeringsmiljöer, förtrogenhet med Linux-administration, erfarenhet av bildanalys (speciellt medicinsk eller mikroskopi), erfarenhet av C ++-programmering och arbete med fjärrstyrda HPC och molntjänster.

Fackliga representanter

Du hittar kontaktuppgifter till fackliga representanter på KTH:s webbsida

Ansökan

Du ansöker via KTH:s rekryteringssystem. Du som sökande har huvudansvaret för att din ansökan är komplett när den skickas in.

Ansökan ska vara KTH tillhanda senast sista ansökningsdagen vid midnatt, CET/CEST (Central European Time/Central European Summer Time).

Ansökan ska innehålla följande handlingar:

1. Intresseanmälan och kortfattad beskrivning av erfarenhet av machine learning och / eller deep learning, computer vision och natural language processing.
2. Meritförteckning
3. Transcript från universitet / högskola
4. Rekommendationsbrev och kontaktinformation från två referenser
5. Ett exempel på sökandens ursprungliga tekniska skrivelse, t ex avhandling, teknisk rapport eller vetenskapligt papper

Observera att allt material måste vara på engelska, bortsett från officiella dokument. 

Övrigt

Vi undanber oss direktkontakt med bemannings- och rekryteringsföretag samt försäljare av platsannonser.

Anställningsform Visstidsanställning längre än 6 månader
Anställningens omfattning Heltid
Tillträde Enligt överenskommelse
Löneform Månadslön enligt KTH:s avtal för doktorandlöner
Antal lediga befattningar 1
Sysselsättningsgrad Heltid
Ort Solna
Län Stockholms län
Land Sverige
Referensnummer D-2017-0457
Kontakt
  • Kevin Smith/Biträdande universitetslektor, ksmith@kth.se, 08-790 64 37
  • Maria Engman / HR-administratör, maengm@kth.se
Publicerat 2017-06-15
Sista ansökningsdag 2017-08-15

Tillbaka till lediga jobb