TUM Opens Tenure‐Track Assistant Professorship in Mathematics of Machine Learning

Die Technische Universität München (TUM) hat eine Tenure-Track-Professur in Mathematik des maschinellen Lernens ausgeschrieben, die eine spannende Gelegenheit für aufstrebende Forscher an der Schnittstelle von Mathematik und künstlicher Intelligenz bietet. Die Position spiegelt das Engagement der TUM wider, bahnbrechende Forschung und Ausbildung in Bereichen zu fördern, die die digitale Transformation und Innovation vorantreiben.

Diese Tenure-Track-Rolle richtet sich an Kandidaten, die bereit sind, ein unabhängiges Forschungsprogramm zu entwickeln, zu hochwirksamen wissenschaftlichen Fortschritten beizutragen und eine Schlüsselrolle in der Lehre an einer der besten technischen Universitäten Europas zu spielen. Frühkarriere-Wissenschaftler mit starken mathematischen Hintergründen und Fachkenntnissen in der Theorie des maschinellen Lernens werden berücksichtigt.

Der erfolgreiche Kandidat wird Forschung betreiben und in Bereichen lehren, die fortgeschrittene mathematische Methoden auf maschinelles Lernen und Datenwissenschaft anwenden. Wichtige Forschungsthemen umfassen:

• Statistische Lerntheorie und Generalisierungsanalyse
• Optimierungsalgorithmen für komplexe Modelle
• Probabilistische Modellierung und Inferenz
• Mathematische Grundlagen der künstlichen Intelligenz

Die Rolle betont theoretische Strenge und zielt darauf ab, Brücken zwischen abstrakten mathematischen Rahmenbedingungen und praktischen Herausforderungen im maschinellen Lernen zu schlagen. Bewerber sollten eine starke Forschungsbilanz und einen klaren Plan zur Entwicklung eines unabhängigen Programms in relevanten mathematischen Bereichen nachweisen.

Der Assistenzprofessor wird Teil des lebendigen Forschungsecosystems der TUM, das die Zusammenarbeit mit Fakultätsmitgliedern in Mathematik, Informatik, Datenwissenschaft und Ingenieurwesen fördert. Die Umgebung unterstützt interdisziplinäre Arbeiten und ermutigt Partnerschaften mit der Industrie und akademischen Institutionen.

Die TUM schätzt insbesondere Beiträge, die sich mit realen Anwendungen befassen und gleichzeitig grundlegende Forschung vorantreiben – eine Kombination, die sowohl das wissenschaftliche Verständnis als auch den technologischen Fortschritt stärkt.

Neben der Forschung wird der Tenure-Track-Assistenzprofessor Lehrverantwortung auf Bachelor- und Masterebene haben. Die Kurse können Theorie des maschinellen Lernens, mathematische Grundlagen der Datenwissenschaft und verwandte fortgeschrittene Themen umfassen. Kandidaten sollten bereit sein, Masterstudenten zu betreuen und zur Curriculum-Entwicklung in Mathematik und Informationswissenschaften beizutragen.

Bewerber sollten einen Doktortitel in Mathematik, Informatik oder einem verwandten Bereich besitzen, mit starkem Fokus auf den mathematischen Grundlagen des maschinellen Lernens. Eine nachgewiesene Fähigkeit, in angesehenen Zeitschriften zu publizieren, Forschung international zu präsentieren und an kollaborativen Projekten teilzunehmen, ist unerlässlich.

Die Tenure-Track-Position bietet einen klaren Weg zu einer dauerhaften Professur basierend auf Leistungsbewertungen, Forschungsergebnissen und Lehrqualität.

Die TUM setzt sich für die Förderung einer inklusiven akademischen Gemeinschaft ein und ermutigt Bewerbungen von unterrepräsentierten Gruppen, Frauen und internationalen Wissenschaftlern. Die Universität unterstützt Chancengleichheit in Einstellungsverfahren und akademischem Aufstieg.

Während spezifische Fristen je nach Rekrutierungszyklus variieren, werden die Kandidaten ermutigt, Bewerbungsunterlagen – einschließlich Lebenslauf, Forschungs- und Lehrstatements sowie repräsentativer Publikationen – rechtzeitig vor den Überprüfungszeiträumen im Frühjahr vorzubereiten. Erfolgreiche Bewerber werden während der Überprüfungsphasen durch Expertenkommissionen wettbewerbsfähig bewertet.

Diese Tenure-Track-Professur stellt eine hochwirksame Gelegenheit für Akademiker in der frühen Karriere dar, die darauf abzielen, die Zukunft der mathematischen Forschung im Bereich des maschinellen Lernens innerhalb eines dynamischen internationalen Forschungsumfelds zu gestalten.