Postdoktor inom maskininlärningsteori

Vi söker en motiverad postdoktor som vill arbeta med oss ​​vid institutionen för informationsteknologi för att utforska grundläggande frågor i skärningspunkten mellan teori och verkliga inlärningssystem. Du kommer att kombinera rigorös teoretisk analys (t.ex. om robusthet, optimering, Bayesianska metoder) med verkliga utmaningar inom läkemedelsutveckling, precisionsmedicin och systembiologi, vilket säkerställer att dina insikter fördjupar grunderna i maskininlärning och även kan omsättas till angelägna vetenskapliga problem.

Institutionen för informationsteknologi har en ledande position inom såväl forskning som utbildning på alla nivåer. Vi är idag Uppsala universitets tredje största institution och har i dag drygt 350 anställda varav 120 lärare och 120 doktorander. C:a 5000 grundutbildningsstudenter läser en eller flera kurser vid institutionen varje år. Mer information om oss hittar du på institutionen för informationsteknologis webbplats.

Anställningen är placerad vid avdelningen för beräkningsvetenskap (TDB) inom institutionen för informationsteknologi. Som en av världens största fokuserade forskningsmiljöer inom beräkningsvetenskap har forskningen och utbildningen en unik bredd med omfattande aktiviteter inom beräkningsvetenskapliga områden som numerisk analys, matematisk modellering, utveckling och analys av algoritmer, maskininlärningsteori, optimering, vetenskaplig mjukvaruutveckling och högprestandaberäkningar.

Avdelningen är också en viktig del av det strategiska samarbetet eSSENCE om e-vetenskap, och nätverket Science for Life Laboratory (SciLifeLab). SciLifeLab är en ledande institution och nationell forskningsinfrastruktur med mandat att möjliggöra spjutspetsforskning inom biovetenskap i Sverige, främja internationella samarbeten samt attrahera och behålla kunskap och talang. Den framgångsrika kandidaten kommer att vara värd för Scientific Machine Learning-gruppen på TDB. Gruppen är specialiserad på att utveckla teori, metoder och mjukvara för att möjliggöra datadriven vetenskap. Relevant för denna position är gruppen aktiv inom utforskandet av maskininlärningsteori, storskalig optimering, Bayesiansk inferens och osäkerhetsmedveten inlärning, samt andra aspekter av statistisk inlärning. Vi har ett brett nätverk av samarbetspartners, och det kommer att finnas möjligheter att arbeta tillsammans med framstående forskare i Sverige och utomlands.

Projektbeskrivning
Projektet erbjuder betydande vetenskaplig frihet och flexibilitet kring det centrala temat rigorösa grunder för robust och skalbar inlärning. Du kan föreslå ett relevant ämne inom temat som beskrivs ovan, eller välja något av följande:

• Robust lärande under distributionsskift
• Optimeringsteori för storskaliga modeller
• Bayesiansk inferens och PAC-Bayes-garantier
• Ser du inte din exakta idé listad? Vi uppmuntrar skräddarsydda förslag - beskriv din egen forskningsinriktning (max 2 sidor) som överensstämmer med vårt tema.

Våra motiverande tillämpningar uppstår inom livsvetenskaper där vi har omfattande närvaro och omfattande samarbeten som spänner över läkemedelsutveckling, precisionsmedicin och molekylärbiologi. Det finns möjligheter att arbeta med verkliga data som presenterar flera utmaningar - brus, saknade data, tidsmässiga variationer, högdimensionalitet etc. Det finns också ett generöst stöd för resor inom samarbetsnätverket och ledande konferenser.

Tekniska nyckelord för tjänsten inkluderar beräkningsinlärningsteori, robust inlärning, storskalig optimering och Bayesiansk maskininlärning.

Arbetsuppgifter
Forskning, publicering, rådgivning och möjligen undervisning (högst 20%).

Kvalifikationskrav
Doktorsexamen i, eller en utländsk examen motsvarande, en doktorsexamen i maskininlärning/beräkningsvetenskap/matematik/statistik eller ett närliggande område. Examen ska vara uppfyllt senast vid tidpunkten då anställningsbeslutet fattas. Främst bör den komma ifråga som har avlagt examen för högst tre år sedan. Vid beräkning av ramtiden om tre år är utgångspunkten sista ansökningsdag. Om det finns särskilda skäl kan sådan examen ha avlagts tidigare. Med särskilda skäl avses ledighet på grund av sjukdom, föräldraledighet, förtroendeuppdrag inom fackliga organisationer, etc. 

Goda kunskaper i engelska i tal och skrift krävs. Kandidaten ska tydligt dokumentera en hög grad av självmotivation i ansökan. Personliga egenskaper, såsom hög kreativitet, noggrannhet och ett strukturerat tillvägagångssätt för problemlösning, är önskvärda.

Önskvärt/meriterande i övrigt
Dokumenterad expertis inom robust inlärning, Bayesianska metoder och tillämpningsmiljöer inom life science är meriterande. Publikationer vid ledande maskininlärningskonferenser (ICLR, ICML, NeurIPS, etc.) är meriterande.

Ansökan
Ansökan ska innehålla:

1. ett personligt brev (max 2 sidor), på engelska, som kortfattat beskriver din motivation för att söka denna tjänst och tidigast möjliga anställningsdatum. Personliga brevet ska innehålla rubriken "Lämplighet för denna tjänst", innehållande en självbedömning av varför du skulle vara rätt kandidat för denna tjänst;
2. ett CV;
3. utskrift av doktorsexamen, inklusive kurser som tagits under doktorandstudierna, eller ett utkast till avhandling om examen ännu inte är avlagd;
4. en publikationslista;
5. en forskningsbeskrivning som beskriver din tidigare och nuvarande forskning (max 1 sida) och ett förslag till framtida aktiviteter (max 2 sidor)
6. referenser med kontaktuppgifter (namn, e-postadresser och telefonnummer) och upp till två rekommendationsbrev.

Om anställningen
Anställningen är tidsbegränsad på 2 år enligt centralt kollektivavtal. Heltid. Tillträde 1 november 2025 eller så snart som möjligt enligt överenskommelse. Placering: Uppsala.

Upplysningar om anställningen lämnas av: Biträdande universitetslektor Prashant Singh, e-post:  prashant.singh@scilifelab.uu.se; Avdelningsföreståndare  Elisabeth Larsson, elisabeth.larsson@it.uu.se.

Välkommen med din ansökan senast den 15 september 2025, UFV-PA 2025/2322.