Finde einen Job 
Finde eine Ausbildung 
Top Arbeitgeber 
Top Universitäten 
Für Unternehmen Auf einen Blick
- Aufgaben: Entwickle innovative Machine Learning-Methoden für automatisierte Pflanzenphänotypisierung.
- Arbeitgeber: Swiss Data Science Center, führend in Datenwissenschaft und KI.
- Mitarbeitervorteile: Zugang zu modernster Infrastruktur, Publikationsmöglichkeiten und internationale Konferenzen.
- Andere Informationen: Dynamisches, interdisziplinäres Team mit exzellenten Karrierechancen.
- Warum dieser Job: Gestalte die Zukunft der Landwirtschaft mit cutting-edge Technologien und realem Einfluss.
- Gewünschte Qualifikationen: Doktorat in relevanten Bereichen und Erfahrung in Machine Learning und Computer Vision.
Das voraussichtliche Gehalt liegt zwischen 45000 - 65000 € pro Jahr.
Das Swiss Data Science Center (SDSC) ist eine nationale Forschungsinfrastruktur im Bereich Datenwissenschaft und künstliche Intelligenz (KI) des ETH-Bereichs, mit EPFL und ETH Zürich als Gründungspartnern. Seine Mission ist es, akademische Labore, Krankenhäuser, Industrie und öffentliche Sektorakteure, einschließlich kantonaler und bundesstaatlicher Verwaltungen, während ihrer gesamten Datenreise zu unterstützen, von der Datensammlung und -verwaltung bis hin zu maschinellem Lernen, KI und Industrialisierung.
Das SDSC und die Crop Science Group der ETH Zürich suchen einen Postdoktoranden für das PhenoMix-Projekt, eine vom Schweizerischen Nationalfonds (SNF) finanzierte Initiative. Diese Rolle befindet sich an der Schnittstelle von maschinellem Lernen, Computer Vision, Agrarwissenschaften und Pflanzenphenotypisierung. Die Position konzentriert sich auf die automatisierte Merkmalsabschätzung mithilfe von maschinellem Lernen und entwickelt neuartige datentechnische Methoden für die Phenotypisierung von Mischkulturen.
Der Postdoktorand wird neuartige datentechnische Werkzeuge erstellen und die Verarbeitung von Bild-Zeitserien, Pflanzenmerkmalinformationen und 3D-Rekonstruktionen automatisieren. Die Arbeit wird fortschrittliche Methoden des maschinellen Lernens mit praktischen Anwendungen in der Landwirtschaft verbinden und Modelle entwickeln, die Wissen über verschiedene Bildgebungsplattformen und Umweltbedingungen hinweg übertragen können.
Der Postdoktorand wird Teil eines hochgradig kollaborativen und interdisziplinären Projekts sein, das eng mit Experten für maschinelles Lernen, Pflanzenphenotypisierung, Agrarwissenschaften und Feldvalidierung zusammenarbeitet. Das Projekt ist darauf ausgelegt, den Wissensaustausch und die Zusammenarbeit über Disziplinen hinweg zu fördern, um sicherzustellen, dass die entwickelten Methoden sowohl wissenschaftlich rigoros als auch praktisch relevant sind.
Der Postdoktorand wird cutting-edge Ansätze für die automatisierte Merkmalsabschätzung entwickeln und implementieren, wobei der Fokus auf folgenden Bereichen liegt:
- Foundation Models for Phenotyping: Nutzung und Anpassung vortrainierter Foundation-Modelle zur Schätzung von Pflanzenmerkmalen in reinen Beständen und Mischkulturen.
- Domain Transfer Methods: Entwicklung pflanzenbewusster bildbasierter Techniken zum Domänenwechsel.
- 3D Reconstruction and Rendering: Erstellung von 3D-Punktwolken aus Mehransichten-Setups.
- Human-in-the-Loop Approaches: Implementierung aktiver Lernstrategien, die Expertenfeedback einbeziehen.
- Field Evaluation: Durchführung rigoroser qualitativer und quantitativer Bewertungen der entwickelten Modelle.
- Data Product Generation: Vorbereitung umfassender Zeitreihendatensätze.
- Software Development: Entwicklung und Pflege von Codebasen für die implementierten Methoden.
Der ideale Kandidat hat einen Doktortitel in einem relevanten Bereich wie Informatik, maschinelles Lernen oder Agrarwissenschaften, mit nachgewiesener Expertise in maschinellem Lernen und Computer Vision. Er sollte über umfangreiche Erfahrung mit modernen Deep-Learning-Frameworks verfügen und in der Lage sein, Forschungsfragen unabhängig zu formulieren und Experimente zu entwerfen.
Wir bieten ein stimulierendes, kollaboratives und interdisziplinäres Forschungsumfeld sowie die Möglichkeit, mit modernster Infrastruktur und Datensätzen zu arbeiten. Der Arbeitsort ist das Swiss Data Science Center mit Büros an der ETH Zürich und EPFL.
Die Stelle beginnt im August oder nach Vereinbarung und hat eine Dauer von bis zu 4 Jahren.
Postdoctoral Position in Machine Learning for Automated Plant Phenotyping (PhenoMix Project) Arbeitgeber: ETH Zürich
Kontaktperson:
ETH Zürich HR Team
StudySmarter Bewerbungstipps 🤫
So bekommst du den Job: Postdoctoral Position in Machine Learning for Automated Plant Phenotyping (PhenoMix Project)
✨Netzwerken, Netzwerken, Netzwerken!
Nutze jede Gelegenheit, um mit Leuten aus der Branche in Kontakt zu treten. Besuche Konferenzen, Workshops oder Meetups und sprich mit anderen Forschern und Fachleuten. Oft sind es persönliche Kontakte, die dir den entscheidenden Vorteil bei der Jobsuche verschaffen.
✨Sei proaktiv!
Warte nicht darauf, dass Stellen ausgeschrieben werden. Recherchiere Unternehmen und Projekte, die dich interessieren, und kontaktiere sie direkt. Zeige dein Interesse und frage nach möglichen Möglichkeiten zur Zusammenarbeit oder offenen Positionen.
✨Präsentiere deine Arbeit!
Erstelle ein Portfolio oder eine Webseite, auf der du deine bisherigen Projekte und Forschungsergebnisse präsentierst. Das hilft dir, dich von anderen Bewerbern abzuheben und zeigt, dass du aktiv an deiner Karriere arbeitest.
✨Bewirb dich über unsere Website!
Wenn du an der Postdoc-Stelle im PhenoMix-Projekt interessiert bist, bewirb dich direkt über unsere Website. So stellst du sicher, dass deine Bewerbung die richtige Aufmerksamkeit erhält und du alle Informationen direkt von uns bekommst.
Diese Fähigkeiten machen dich zur top Bewerber*in für die Stelle: Postdoctoral Position in Machine Learning for Automated Plant Phenotyping (PhenoMix Project)
Tipps für deine Bewerbung 🫡
Mach deine Bewerbung persönlich: Zeig uns, wer du bist! Verwende eine freundliche und authentische Sprache, um deine Motivation und Leidenschaft für das Projekt zu vermitteln. Lass uns wissen, warum du genau zu uns und dem PhenoMix-Projekt passt.
Betone deine relevanten Erfahrungen: Stell sicher, dass du deine Erfahrungen in Machine Learning, Computer Vision und Pflanzenphänotypisierung klar hervorhebst. Zeige uns, wie deine Fähigkeiten und Kenntnisse direkt auf die Anforderungen der Stelle zutreffen.
Sei strukturiert und präzise: Halte deine Bewerbung übersichtlich und gut strukturiert. Verwende klare Absätze und Aufzählungen, um wichtige Informationen schnell erfassbar zu machen. Wir schätzen es, wenn du dich kurz und prägnant ausdrückst.
Bewirb dich über unsere Website: Vergiss nicht, deine Bewerbung über unsere offizielle Website einzureichen. So stellst du sicher, dass wir alle notwendigen Informationen erhalten und deine Bewerbung schnell bearbeitet wird. Wir freuen uns auf deine Unterlagen!
Wie du dich auf ein Vorstellungsgespräch bei ETH Zürich vorbereitest
✨Verstehe das Projekt
Mach dich mit dem PhenoMix-Projekt vertraut. Informiere dich über die Ziele, Methoden und Herausforderungen des Projekts. Wenn du während des Interviews zeigen kannst, dass du die Vision und die spezifischen Anforderungen verstehst, wird das einen positiven Eindruck hinterlassen.
✨Bereite konkrete Beispiele vor
Überlege dir spezifische Projekte oder Erfahrungen, die deine Fähigkeiten in maschinellem Lernen und Computer Vision demonstrieren. Sei bereit, diese Beispiele zu erläutern und zu zeigen, wie sie auf die Anforderungen der Position zutreffen.
✨Interdisziplinäre Zusammenarbeit betonen
Da die Position eine enge Zusammenarbeit mit verschiedenen Fachbereichen erfordert, solltest du deine Erfahrungen in interdisziplinären Teams hervorheben. Zeige, wie du erfolgreich mit Experten aus anderen Disziplinen kommuniziert und zusammengearbeitet hast.
✨Fragen vorbereiten
Bereite einige durchdachte Fragen vor, die du am Ende des Interviews stellen kannst. Das zeigt dein Interesse an der Position und dem Team. Fragen zu den aktuellen Herausforderungen im Projekt oder zur Teamdynamik sind immer gut!