Machine Learning Scientist (all genders) - Hybrid

Machine Learning Scientist (всех полов) - Гибридный формат, Берлин

Местоположение: Берлин

Ваша миссия

dida — компания-разработчик программного обеспечения в области машинного обучения с интересными задачами, например, в области компьютерного зрения и обработки естественного языка. Наша команда решает прикладные задачи для различных клиентов, используя последние научные достижения (особенно в глубоком обучении), и поэтому считает, что исследовательское мышление может помочь более эффективно решать реальные проблемы.

Вы будете

• поддерживать команду dida в применении передовых алгоритмов машинного обучения
• экспериментировать с архитектурами моделей, чтобы найти лучшее решение для каждого конкретного проекта
• быть в курсе достижений в области исследований машинного обучения и активно участвовать в нашей корпоративной среде совместного обучения и развития.

Ваш профиль

У вас есть

• степень магистра или доктора наук по математике или физике
• креативное мышление, которое любит решать проблемы
• интерес к современным подходам в области машинного обучения (опыт глубокого обучения — бонус)
• солидный опыт программирования (Python — бонус)

Минимальный тип прилагаемых документов:

• Резюме (обязательно)
• (Университетские) дипломы (обязательно)
• Транскрипты (где применимо)
• Примеры проектов / кода / портфолио (необязательно)

Почему мы?

Вы будете работать в междисциплинарной команде людей с солидным образованием в области математики и статистики. Мы предлагаем гибкий график работы (полная и частичная занятость) и у нас есть приятный офис с хорошим кофе в Берлин-Кройцберге, недалеко от Морицплац. Мы предпочитаем гибридную модель работы, но открыты для удаленной работы. Мы верим в науку и поддерживаем публикацию ваших результатов исследований.

Вот краткие описания некоторых проектов, над которыми мы работали:

Оценка количества солнечных панелей, которые помещаются на крыше (компьютерное зрение): По спутниковому снимку и наземному изображению дома автоматически определять определенные элементы крыши (включая препятствия, мансардные окна и т. д.), чтобы выяснить, сколько солнечных панелей на нее помещается. Это включает в себя получение 3D-информации из 2D-изображений для определения наклона крыши.

Обнаружение, классификация и определение юридической эффективности текстовых параграфов (NLP): Автоматически обрабатывать тысячи юридических документов с целью классификации определенных параграфов и проверки их юридической эффективности. Это включает в себя преобразование сканов в текст, разработку схемы маркировки (моделирование проблемы) и автоматическое обнаружение различных параграфов перед выполнением задачи вывода.