Auf einen Blick
- Aufgaben: Entwickle innovative Machine Learning-Methoden für automatisierte Pflanzenphänotypisierung.
- Unternehmen: ETH Zürich und das Swiss Data Science Center bieten eine dynamische Forschungsumgebung.
- Vorteile: Zugang zu modernster Infrastruktur, Publikationsmöglichkeiten und professionelle Entwicklung.
- Weitere Informationen: Kollaboratives, interdisziplinäres Team mit exzellenten Wachstumschancen.
- Warum dieser Job: Gestalte die Zukunft der Landwirtschaft mit fortschrittlicher Technologie und nachhaltigen Lösungen.
- Qualifikationen: PhD in Informatik oder verwandten Bereichen, Erfahrung in Machine Learning und Computer Vision.
Das prognostizierte Gehalt liegt zwischen 45000 - 65000 € pro Jahr.
Die Swiss Data Science Center (SDSC) und die Crop Science Group der ETH Zürich suchen einen Postdoktoranden für das PhenoMix-Projekt, eine vom Schweizerischen Nationalfonds (SNSF) finanzierte Initiative. Diese Rolle befindet sich an der Schnittstelle von maschinellem Lernen, Computer Vision, Agrarwissenschaften und Pflanzenphänotypisierung. Die Position konzentriert sich auf die automatisierte Merkmalsabschätzung mit Hilfe von maschinellem Lernen und die Entwicklung neuartiger datengestützter Methoden für die Phänotypisierung von Mischkulturen.
Das PhenoMix-Projekt adressiert die kritische Herausforderung der automatisierten Phänotypisierung von Mischkulturen – eine vielversprechende landwirtschaftliche Praxis mit erheblichem Potenzial für eine nachhaltige Lebensmittelproduktion. Das Projekt nutzt die Field Imaging Platform (FIP), eine hochmoderne Einrichtung zur Hochdurchsatz-Phänotypisierung, sowie Feldexperimente, um beispiellose multimodale Datensätze von Reinsaaten und Mischkulturen zu generieren. Der Postdoktorand wird neuartige datengestützte Werkzeuge entwickeln und die Verarbeitung von Bild-Zeitserien, Pflanzenmerkmalinformationen und 3D-Rekonstruktionen automatisieren. Die Arbeit wird fortschrittliche Methoden des maschinellen Lernens mit praktischen landwirtschaftlichen Anwendungen verbinden und Modelle entwickeln, die Wissen über verschiedene Bildgebungsplattformen und Umweltbedingungen hinweg übertragen können.
Der Postdoc wird cutting-edge Ansätze des maschinellen Lernens für die automatisierte Merkmalsabschätzung entwickeln und implementieren, mit einem Fokus auf:
- Foundation Models für Phänotypisierung: Nutzung und Anpassung vortrainierter Foundation-Modelle zur Schätzung von Pflanzenmerkmalen in Reinsaaten und Mischkulturen.
- Domain Transfer Methods: Entwicklung pflanzenbewusster bildbasierter Techniken zum Domänenwechsel.
- 3D-Rekonstruktion und Rendering: Erstellung von 3D-Punktwolken aus Mehransicht-Setups und Rendering realistischer 2D-Bilder.
- Human-in-the-Loop-Ansätze: Implementierung aktiver Lernstrategien, die Expertenfeedback einbeziehen.
- Feldbewertung: Durchführung rigoroser qualitativer und quantitativer Bewertungen der entwickelten Modelle in Feldexperimenten.
- Datenproduktgenerierung: Vorbereitung umfassender Zeitseriendatensätze abgeleiteter Produkte.
- Softwareentwicklung: Entwicklung und Pflege von Codebasen für die implementierten Methoden.
Profil
- Bildung: PhD in einem relevanten Bereich wie Informatik, maschinelles Lernen, Datenwissenschaft oder Domänenwissenschaft mit nachgewiesener Expertise im maschinellen Lernen und in der Computer Vision. Nachgewiesene Forschungsexzellenz durch Veröffentlichungen in relevanten Fachzeitschriften.
- Technische und Forschungsexpertise: Starker Hintergrund im maschinellen Lernen und Deep Learning, insbesondere in der Computer Vision. Solide Erfahrung mit modernen Deep-Learning-Frameworks (PyTorch bevorzugt). Nachgewiesene Fähigkeit in wissenschaftlichem Programmieren und Prototyping in Python. Fähigkeit, Forschungsfragen zu formulieren und Experimente unabhängig zu entwerfen. Erfahrung im Umgang mit großen und komplexen multimodalen Datensätzen.
Wir bieten
- Berufliche Entwicklung: Ein stimulierendes, kollaboratives, diverses und interdisziplinäres Forschungsumfeld.
- Gelegenheit, mit modernster Phänotypisierungsinfrastruktur und Datensätzen zu arbeiten.
- Zugang zu Rechenressourcen und neuesten Werkzeugen des maschinellen Lernens.
- Möglichkeit, Forschung in hochrangigen Konferenzen und Fachzeitschriften zu veröffentlichen.
- Beteiligung an der Betreuung von MSc- und BSc-Studierenden.
Bewerbung
Wir freuen uns auf Ihre Online-Bewerbung mit den folgenden Dokumenten:
- Motivationsschreiben (max. 2 Seiten).
- Lebenslauf einschließlich Publikationsliste.
- Elektronische Kopien relevanter akademischer Diplome, Transkripte und Zertifikate.
- Kontaktdaten von 2 bis 3 Referenzen.
- Links zu Code-Repositories oder Portfolios (falls verfügbar).
Jetzt online bewerben.
Postdoctoral Position In Machine Learning For Automated Plant Phenotyping (PhenoMix Project) Arbeitgeber: myScience
Das Swiss Data Science Center (SDSC) und die Crop Science Group der ETH Zürich bieten eine herausragende Arbeitsumgebung für Postdoktoranden, die an der Schnittstelle von maschinellem Lernen und Agrarwissenschaften arbeiten möchten. Mit Zugang zu modernster Infrastruktur und einem interdisziplinären Team fördern wir nicht nur Ihre berufliche Entwicklung, sondern auch Ihre Forschung in einem dynamischen und unterstützenden Umfeld. Hier haben Sie die Möglichkeit, innovative Lösungen für nachhaltige Landwirtschaft zu entwickeln und Ihre Ergebnisse in renommierten Fachzeitschriften zu veröffentlichen.
StudySmarter Expertenrat🤫
Wir sind der Meinung, dass Sie so Postdoctoral Position In Machine Learning For Automated Plant Phenotyping (PhenoMix Project) erhalten könnten
✨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 erfährt man über offene Stellen durch persönliche Empfehlungen!
✨Sei aktiv auf LinkedIn!
Halte dein LinkedIn-Profil aktuell und teile deine Projekte und Erfolge. Folge relevanten Unternehmen und Gruppen, um über Neuigkeiten und Jobangebote informiert zu bleiben. Interagiere mit Beiträgen, um sichtbar zu werden!
✨Bereite dich auf Vorstellungsgespräche vor!
Mach dir Gedanken über mögliche Fragen, die dir im Interview gestellt werden könnten, und übe deine Antworten. Zeige, dass du nicht nur die technischen Fähigkeiten hast, sondern auch ein gutes Verständnis für die Herausforderungen im Bereich der automatisierten Phänotypisierung.
✨Bewirb dich direkt über unsere Website!
Wenn du eine Stelle findest, die dir gefällt, bewirb dich direkt über unsere Website. Das zeigt dein Interesse und gibt uns die Möglichkeit, dich besser kennenzulernen. Lass uns gemeinsam an innovativen Lösungen arbeiten!
Wir glauben, dass du diese Fähigkeiten brauchst, um Postdoctoral Position In Machine Learning For Automated Plant Phenotyping (PhenoMix Project) mit Bravour zu bestehen
Einige Tipps für deine Bewerbung 🫡
Motivationsschreiben:Dein Motivationsschreiben sollte klar und prägnant sein. Erkläre, warum du dich für die Postdoc-Stelle interessierst und wie deine Erfahrungen im Bereich Machine Learning und Computer Vision zu den Zielen des PhenoMix-Projekts passen.
Lebenslauf:Achte darauf, dass dein Lebenslauf übersichtlich und gut strukturiert ist. Hebe relevante Erfahrungen und Publikationen hervor, die deine Expertise in maschinellem Lernen und tiefem Lernen zeigen. Vergiss nicht, auch deine Programmierkenntnisse in Python zu betonen!
Referenzen:Wähle 2 bis 3 Referenzen aus, die deine Fähigkeiten und Erfahrungen gut kennen. Informiere sie im Voraus, damit sie bereit sind, eine positive Empfehlung abzugeben. Das kann einen großen Unterschied machen!
Online-Bewerbung:Reiche deine Bewerbung über unsere Website ein, um sicherzustellen, dass alles reibungslos verläuft. Überprüfe alle Dokumente auf Vollständigkeit und achte darauf, dass du alle geforderten Unterlagen beifügst. Wir freuen uns auf deine Bewerbung!
Wie man sich auf ein Vorstellungsgespräch bei myScience vorbereitet
✨Verstehe das Projekt in- und auswendig
Mach dich mit dem PhenoMix-Projekt vertraut. Lies alles über die Ziele, Methoden und Herausforderungen, die im Job beschrieben sind. Wenn du während des Interviews spezifische Fragen zu den Projekten oder Techniken stellen kannst, zeigst du dein echtes Interesse und deine Vorbereitung.
✨Bereite Beispiele vor
Überlege dir konkrete Beispiele aus deiner bisherigen Forschung oder Projekten, 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 Stelle zutreffen.
✨Technische Fähigkeiten betonen
Stelle sicher, dass du deine Kenntnisse in modernen Deep-Learning-Frameworks wie PyTorch hervorhebst. Bereite dich darauf vor, technische Fragen zu beantworten oder sogar kleine Programmieraufgaben zu lösen, um deine Fähigkeiten zu demonstrieren.
✨Fragen zur Teamarbeit und Kommunikation
Da das Projekt interdisziplinär ist, sei bereit, über deine Erfahrungen in der Zusammenarbeit mit anderen Fachbereichen zu sprechen. Zeige, dass du nicht nur technisch versiert bist, sondern auch gut im Team arbeiten und kommunizieren kannst.
