Doktorander i maskininlärning - Under tillsättning eller tillsatt, ej sökbar

Forskarutbildningsämne

Datavetenskap eller Matematik

Ämnesbeskrivning
Black-box-optimering är en variant av funktionsoptimering där funktionerna endast kan räknas ut genom numerisk simulering och för vilka partiella derivator är antigen okända eller odefinierade. En metod att optimera sådana funktioner bygger på en följd av funktionsuträkningar för att bygga och förbättra en surrogatmodell som sedan används for att köra optimeringen. Även om den är mycket effektiv, är denna modellbaserade metod vanligtvis beräkningsintensiv och blir opraktisk när antalet inputvariabler är större än några dussin och när fler kriterier måste vägas in samtidigt.

Målet för detta projekt, som är finansierad av WASP (Wallenberg AI, Autonomous System and Software Programme,(http://wasp-sweden.org), är att introducera innovativa algoritmer och metodologier för att övervinna begränsningar av black-box-optimering med multipla kriterier. Detta forskningsämne ligger i gränslandet mellan det bredare området Black-box- optimering och statistisk maskininlärning. Projektet ska utveckla statistiska metoder för att bygga surrogatmodeller. De modellerna ska sedan kunna undersökas med hjälp av bayesiansk optimering och liknande metoder för att identifiera processparametrarna som optimerar baserat på flera kriterier, eller som maximerar informationen man får genom experiment. Användning av bayesianska statistiska metoder förstärkta med a-priori-kunskap ska möjliggöra kombination av information från fler källor, t.ex. från experiment av olika slag, medan osäkerheten ska hanteras på ett rigoröst och enhetligt sätt. De nya algoritmerna och metodologierna ska testas i en mängd syntetiska och verkliga applikationer som automatiserad maskininlärning (AutoML), automatiserad konfigurering av kompilatorer, hårdvarudesign och datorseende.

Detta projekt är ett samarbete med Stanford University. Studenten ska uppmuntras att utnyttja utbytesprogram med Stanford för att garantera kontakter med samarbetspartners.

Intresseområden:

• Black-box-optimering
• Derivatafri optimering (DFO)
• Bayesiansk optimering
• Algoritmkonfigurering och -urval
• Aktiv inlärning
• Automatiserad maskininlärning (AutoML)
• Återkopplad inlärning (RL)
• Evolutionära algoritmer (EA)
• Diskret optimering och lösning av NP-svåra problem

Arbetsuppgifter
Huvuduppgiften för en doktorand är att ägna sig åt sin forskarutbildning vilket innefattar såväl deltagande i forskningsprojekt som forskarutbildningskurser. I arbetsuppgifterna ingår det även medverkan i undervisning och annat institutionsarbete, dock max 20 % av arbetstiden.

Deltagande i ett forskningsprojekt involverar:

• Översikt av litteraturen inom forskningsämnet.
• Design av teori, metoder och deras implementering.
• Experiment i simulerade och verkliga applikationer.
• Närvarande och aktivt deltagande i forsknings- och utbildningsverksamhet av forskningsgruppen.
• Kommunicerande av resultat genom publikationer av vetenskapliga artiklar i högklassiga konferenser och tidskrifter.

Behörighet 
Grundläggande behörighet till utbildning på forskarnivå har den som har

• avlagt examen på avancerad nivå eller
• fullgjort kursfordringar om minst 240 högskolepoäng, varav minst 60 högskolepoäng på avancerad nivå, eller
• på något annat sätt inom eller utom landet förvärvat i huvudsak motsvarande kunskaper.

Kraven på särskild behörighet för datavetenskap uppfyller den som har:

• minst 150 högskolepoäng inom matematik, teknik och naturvetenskap varav minst 60 högskolepoäng inom datavetenskap samt ett fördjupningsarbete på avancerad nivå om minst 30 högskolepoäng med relevans för ämnet, eller
• civilingenjörsexamen med minst 60 högskolepoäng inom datavetenskap eller annan examen på avancerad nivå med relevans för datavetenskap, och med minst 60 högskolepoäng inom ämnet.

Kraven på särskild behörighet för matematik uppfyller den som har:

• minst 90 högskolepoäng med relevans för ämnesområdet, varav minst 60 högskolepoäng på avancerad nivå samt ett fördjupningsarbete om minst 30 högskolepoäng på avancerad nivå inom ämnesområdet, eller
• examen på avancerad nivå inom relevant ämnesområde.

Övriga krav:

• Mycket goda kunskaper i engelska, i tal och skrift.

Bedömningsgrunder
Urval till utbildning på forskarnivå sker efter bedömd förmåga att tillgodogöra sig forskarutbildningen. Bedömningen av förmågan sker främst utifrån studieresultaten på grundnivå och avancerad nivå. Följande beaktas:

1. Kunskaper och färdigheter relevanta för avhandlingsarbetet och utbildningsämnet.
2. Bedömd förmåga till självständigt arbete och förmåga att formulera och angripa vetenskapliga problem.
3. Förmåga till skriftlig och muntlig kommunikation.
4. Övriga erfarenheter relevanta för utbildningen på forskarnivå, t ex yrkeserfarenhet.

Övriga meriter:

• Bachelor/master inom statistisk maskininlärning och/eller datorseende, med fokus på black-box-optimering och AutoML.
• Goda programmeringskunskaper i Python eller motsvarande och/eller djupa kunskaper i kompilatorteknik och hårdvaruakceleratorer är önskvärda.

Hänsyn kommer också att tas till god samarbetsförmåga, driv och självständighet samt hur den sökande genom sin erfarenhet och kompetens bedöms ha den förmåga som behövs för att klara forskarutbildningen.

Villkor
Endast den som är antagen till forskarutbildning får anställas som doktorand. Forskarutbildningen är fyra år vid heltidsstudier. Vid undervisning och annat institutionsarbete förlängs anställningen i motsvarande grad, dock längst till 5 år (dvs. max 20%). Bestämmelser gällande anställning som doktorand finns i Högskoleförordningen (1993:100), 5 kap 1-7 §§.

Instruktioner för ansökan
Ansökan ska skrivas på engelska. Ansökan ska innehålla personligt brev med motivering till varför du är intresserad av anställningen och på vilket sätt forskningsprojektet matchar dina intressen och din utbildningsbakgrund. Ansökan ska även innehålla CV, examensbevis eller motsvarande samt övrigt som du önskar åberopa (kopior av betyg, uppgifter till referenser, rekommendationsbrev etc.).