English Version
This position is currently open for application!
Please find the official job posting here.
The “reference number” is: Bifold 3435T08/23
Working Student with 40-80h/month
no teaching tasks
Area of responsibility:
The newly founded Intelligent Biomedical Sensing (IBS) Lab at TU Berlin’s BIFOLD / Machine Learning Department develops miniaturized wearable neurotechnology and body-worn sensors for unobtrusive monitoring of the embodied brain in the everyday world. It uses machine learning on multimodal sensor data, together with environmental context information toward intelligent monitoring and individualized comprehensive understanding of physical and mental states and risk factors. To learn more visit www.ibs-lab.com/mission-statement.
We are looking for a student research assistant in the domain of Machine Learning for Biomedical Signal Analysis and Modelling
- Approx. 70% support in the scientific work in linear physiological models for brain-imaging and physiology-informed neural networks. Creation of synthetic data sets. Co-development of methods for the analysis of optical and electrical body-brain-imaging data (fNIRS and EEG, ECG, oximetry). Validation of methods on given datasets.
- Approx. 20% support in setting up and maintaining the lab’s software and analysis infrastructure
- Approx. 10% support with documentation in the form of figures, reports and scientific papers
Desired Expertise and Skills:
Required:
- Advanced knowledge of the foundations of either computer science, physics, an engineering discipline or applied mathematics
- very good knowledge of machine learning methods, especially deep neural networks;
- competent programming knowledge (especially in Python, also Matlab), experience with ML and linear algebra libraries (NumPy, sklearn, PyTorch, TensorFlow, etc.)
- Experience with version control tools, e.g. Git;
- highly proficient in written and spoken English
- team player and good communicator
- pronounced analytical and conceptual skills
- a high level of initiative, self-motivation and results orientation
It’s a plus:
- Experience with time-series analysis, linear models, and biomedical signals
- Experience in scientific work
- Practical experience in the development and application of ML algorithms and signal processing
- Interdisciplinary and cooperative project experience
Supervisor / Technically responsible:
Dr.-Ing. Alexander von Lühmann
Hiring Period:
starting now, up to 2 years
Please send your written application including CV, enrollment certificate, and if applicable, a current transcript of records, to the following address (via email). Important: Please state the reference number above.
Fak IV- Institute for Electrical Engineering and Computer Science
Department of Machine Learning
Prof. Dr. Klaus-Robert Müller
MAR 4-1, Marchstr. 23, 10587
Email: sekr@ml.tu-berlin.de
Tel.: 314-78621
In order to promote equal opportunities for men and women, applications from women with the relevant qualifications are explicitly desired. In case of equal qualifications, disabled persons will be given priority.
German Version
Diese Stelle ist derzeit ausgeschrieben!
Die offizielle Stellenausschreibung finden Sie hier.
Die „Ausschreibungskennziffer” lautet: Bifold 3435T08/23
Studentische Hilfskraft mit 40-80h/Monat
ohne Unterrichtsaufgaben
Aufgabengebiet:
Das neu gegründete Labor für Intelligente Biomedizinische Sensorik (IBS) am BIFOLD / Fachgebiet Maschinelles Lernen der TU Berlin entwickelt miniaturisierte unauffällige und körpergetragene Sensoren zur Vermessung von Gehirn, Körper und Kontext in natürlichen Alltagsumgebungen. Es nutzt maschinelles Lernen auf den multimodalen Sensordaten und Kontextinformationen, um zu einem individualisierten ganzheitlichen Verständnis von körperlicher und geistiger Gesundheit beizutragen: Für eine intelligenten Beurteilung und Behandlung von körperlichen und mentalen Zuständen und Risikofaktoren. Besuchen Sie www.ibs-lab.com/mission-statement, um mehr zu erfahren.
Wir suchen eine studentische Hilfskraft im Bereich des Maschinellen Lernens für die Biomedizinische Signalanalyse und Modellierung
- Ca. 70% Unterstützung bei der wissenschaftlichen Arbeit an linearen physiologischen Modellen für Brain-Imaging und physiologisch-informierte neuronale Netze. Erstellung von synthetischen Datensätzen. Mitentwicklung von Methoden zur Analyse von optischen und elektrischen Body-Brain-Imaging-Daten (fNIRS und EEG, EKG, Oximetrie). Validierung der Methoden an gegebenen Datensätzen.
- Ca. 20% Unterstützung bei der Einrichtung und Pflege der Software- und Analyseinfrastruktur des Labors
- Ca. 10% Unterstützung bei der Dokumentation in Form von Abbildungen, Berichten und wissenschaftlichen Arbeiten
Erwünschte Kenntnisse und Fähigkeiten:
Erforderlich:
- Fortgeschrittene Kenntnisse der Grundlagen der Informatik, Physik, Ingenieurwissenschaften oder angewandten Mathematik
- sehr gute Kenntnisse von Methoden des maschinellen Lernens, insbesondere von tiefen neuronalen Netzen
- gute Programmierkenntnisse (insbesondere in Python, auch Matlab), Erfahrung mit ML- und linearen Algebra-Bibliotheken (NumPy, sklearn, PyTorch, TensorFlow, etc.)
- Erfahrung mit Versionskontrollwerkzeugen, z. B. Git
- sehr gute Englischkenntnisse in Wort und Schrift
- Teamfähigkeit und gute Kommunikationsfähigkeiten
- ausgeprägte analytische und konzeptionelle Fähigkeiten
- ein hohes Maß an Eigeninitiative, Eigenmotivation und Ergebnisorientierung
Es ist von Vorteil:
- Erfahrung mit Zeitreihenanalyse, linearen Modellen und biomedizinischen Signalen
- Erfahrung im wissenschaftlichen Arbeiten
- Praktische Erfahrung in der Entwicklung und Anwendung von ML-Algorithmen und Signalverarbeitung
- Interdisziplinäre und kooperative Projekterfahrung
Fachlich verantwortlich:
Dr.-Ing. Alexander von Lühmann
Einstellungsdauer:
ab sofort, bis zu 2 Jahre
Ihre schriftliche Bewerbung mit Lebenslauf, Immatrikulationsbescheinigung und ggf. aktueller Notenübersicht richten Sie bitte unter Angabe der Ausschreibungskennziffer (gerne per Email) an
Fak IV.-Institut für Softwaretechnik und Theoretische Informatik
Fachgebiet Maschinelles Lernen
Prof. Dr. Klaus-Robert Müller
MAR 4-1, Marchstr. 23, 10587
E-Mail: sekr@ml.tu-berlin.de
Tel.: 314-78621
Zur Wahrung der Chancengleichheit zwischen Männern und Frauen sind Bewerbungen von Frauen mit der jeweiligen Qualifikation ausdrücklich erwünscht. Schwerbehinderte werden bei gleicher Eignung bevorzugt.