Biträdande forskare med expertis inom maskininlärning - Under tillsättning eller tillsatt, ej sökbar

Beskrivning av arbetsplatsen

InfraVis är Sveriges nationella infrastruktur för visualisering av vetenskapliga data. För närvarande har InfraVis över 50 experter anställda på nio olika universitet. CIPA är Lunds universitets lokala infrastruktur för bildbehandling och analys. CIPA är även den koordinererande enheten vid Lunds universitets InfraVis nod som består av runt 10 personer med kompletterande expertis. InfraVis och CIPA erbjuder alla sina experter kompetensutvecklingsmöjligheter av olika slag och månar om varje individs mål för utveckling och välbefinnande i största möjliga utsträckning ska tillgodoses. Genom att arbeta som expert inom InfraVis/CIPA får du tillgång till kollegor både lokalt och nationellt för stimulerande utbyte, diskussioner och gemensamt arbete för att lösa komplexa frågeställningar, utveckla nya metoder och hitta bästa sätten för att stödja forskning inom vitt skilda vetenskapliga domäner i hela landet genom visualiseringsexpertis. 

Vi erbjuder

Lunds universitet är en statlig myndighet vilket innebär att du får särskilda förmåner, generös semester och en förmånlig tjänstepension. Vi har även ett flextidsavtal som skapar goda förutsättningar för balans mellan arbete och fritid.

Läs mer på universitetets webbplats om att vara anställd hos oss Jobba hos oss.

Arbetsuppgifter och ansvarsområden

Den huvudsakliga uppgiften består av att som biträdande forskare med expertkompetens inom maskininlärning (ML) bidra i olika forskningsprojekt inom ramen för CIPA/InfraVis. För att främja kunskapsöverföring och utveckling av forskningsinfrastrukturen och dess experter krävs också regelbundet och aktivt deltagande i olika former av gemensamma aktiviteter inklusive möten. Tjänsten innehåller möjlighet till karriär- och kompetensutveckling av både generell och specifik art. 

Arbetet kommer att fokusera på utveckling och tillämpning av avancerade maskininlärningsmetoder. Arbetet kan omfatta ett eller flera av följande områden:

• Identifiering av saknade, bullriga eller felaktiga data,
• Datarensning och datagenerering,
• Utveckling av förbättrade förlustfunktioner och informationsteoretiska metoder för optimerad dataanalys och informationsutvinning,
• Maskininlärningsbaserad bildsegmentering av tomografisk data, exempelvis synkrotron-röntgen-mikrotomografi,
• Design och användning av autokodare (VAEs, GANs), diffusionsmodeller och andra ML-metoder för att analysera och upptäcka mönster i sannolikhetsfördelningar i latent rymd. 

Kvalifikationer

Vi söker dig som är en erfaren och driven person, som är lätt att samarbeta med och som trivs bra i en komplex forskarmiljö.

Krav för anställningen är:

• Anställningen kräver att du har en doktorsexamen inom naturvetenskap/teknik/medicin/matematik/fysik eller motsvarande och med inriktning mot maskininlärning,
• Mycket goda muntliga och skriftliga kunskaper i engelska,
• Publikationer inom området maskininlärning,
• Erfarenhet av bildbehandling och bildanalys av data från tomografi eller andra avbildningstekniker,
• Hög motivation, med förmågan att initiera och snabbt förkovra sig i nya tekniker samt utmärkta arbets- och tidshanteringsfärdigheter.

Meriterande för anställningen är:

• Beprövad erfarenhet av att samarbeta med olika aktörer (forskare från olika vetenskapliga domäner och företag),
• Arbetat med autokodare eller transformatorer.

Hänsyn kommer också tas till hur den sökandes erfarenhet och kompetens kompletterar och stärker pågående verksamhet inom infrastrukturen och hur denna kan bidra till dess framtida utveckling.

Övrigt 

Anställningen är tillsvidare med omfattningen 100%, provanställning kan komma att tillämpas. Tillträde är så snart som möjligt eller enligt överenskommelse. 

Så här söker du

Anställningen söks via universitetets rekryteringssystem. Ansökan ska innehålla personligt brev med motivering till varför du är intresserad av anställningen och på vilket sätt anställningen matchar dina meriter och ambitioner. Ansökan ska även innehålla CV, examensbevis eller motsvarande, kontaktuppgifter (telefonnummer) till minst två referenspersoner samt övrigt som du önskar åberopa uppgifter till referenser, rekommendationsbrev etc.).

Mer information om Medicinska fakulteten