Universitätsassistent*in ("prae doc") an der Forschungsgruppe Visualization and Data Analysis

An der Universität Wien (mit 20 Fakultäten und Zentren, 179 Studienrichtungen, ca. 10.000 Mitarbeiter*innen und rund 90.000 Studierenden) ist ab 15.10.2021 die Position einer*eines


Ihre Aufgaben:
Diese Stelle hat eine Laufzeit von 48 Monaten.
- Mitarbeit in Forschung, Lehre und Administration
- Mitwirkung in Forschungsprojekten / bei wissenschaftlichen Studien
- Mitwirkung bei Publikationen / wissenschaftlichen Artikeln / Vortragstätigkeit
- Abschluss einer Dissertationsvereinbarung binnen 12-18 Monaten wird erwartet
- Mitwirkung an und selbständige Abhaltung von Lehrveranstaltungen im Ausmaß der kollektivvertraglichen Bestimmungen
- Studierendenbetreuung
- Mitwirkung bei der Organisation von Tagungen, Konferenzen, Symposien
- Mitwirkung in der Instituts-, Lehr- und Forschungsadministration


About the project: Transparent and explainable models

In Data Science werden Modelle von Datenanalysten erstellt und anschließend von Domänenexperten (z. B. Astronomen, Chemikern, Sozialwissenschaftlern, etc.) verwendet. Dieses Projekt befasst sich mit zwei bedeutenden Herausforderungen in diesem Prozess. Einerseits werden Modelle durch die vorhandener Daten validiert, jedoch ist nicht immer klar, warum diese funktionieren. Andererseits ist bekannt, dass es wesentlich mehr Personen mit Modellierungsbedürfnissen als Personen mit den erforderlichen Modellierungskenntnissen gibt. Daher entwickeln wir einen Leitfaden zur Erstellung von Tools, welche die
Wissenslücke zwischen Modellentwickler und Modellnutzer schließt. In diesem Projekt werden nicht alle Typen von Modellierung behandelt; wir fokussieren uns auf zwei der schwierigsten Herangehensweisen: (a) Clustering-Methoden, unabhängig von konkreten Algorithmen, (b) neuronale Netze, unabhängig vom Analysebedarf. Zusätzlich werden wir einen allgemeinen Ansatz entwickeln, welcher durch unsere lange Erfahrung im Bereich Visual Parameter Space Analysis fundiert ist. Alle 3 Ansätze ergänzen sich und erlauben uns Tücken in jedem einzelnen Ansatz zu vermeiden. Die Validierung erfolgt in 3 Stufen: (1) Verwenden von Benchmark-Datensätzen, (2) Arbeiten mit Anwendungen im Bereich der Astronomie, Medizin und Finanz, (3) durch einen iterativen Designprozess in Kooperation mit Experten der algorithmischen Modellierung sowie mit Wissenschaftler aus den Domänen.



Ihr Profil:
- Abgeschlossenes Masters degree in Informatik oder einem ähnlichen Forschungsfeld

- Fachliche Kompetenzen (Bachelor-Abschluss oder gleichwertige Berufserfahrung):

Informatikhintergrund; speziell Machine Learning, Datenvisualisierung, Data Science, Statistik oder ein verwandter Bereich

- Methodenkompetenzen: Erste Erfahrungen mit ML/Data Mining, evtl. Image Analysis

- Didaktische Kompetenzen: erste Erfahrungen im Unterrichten, Tutoring und Präsentieren

- Ausgezeichnete Kommunikationsfähigkeiten mit unterschiedlichen Zielgruppen

- Sehr gute Englischkenntnisse in Wort und Schrift

- Sehr gute EDV-Anwender*innenkenntnisse

- Teamfähigkeit





Einzureichende Unterlagen:

- Motivationsschreiben inkl. einer Ideenskizze für ein angehendes Dissertationsvorhaben

- Lebenslauf

- Publikationsliste, Nachweis Lehrerfahrung (falls vorhanden)

- Abschlusszeugnisse mit Einzelnoten von Bachelor und Masterabschluss

Wünschenswert sind
- Master-Abschluss in einem der folgenden Bereiche: Informatik / Computer Science speziell Datenvisualisierung, Data Science, Computational Science, Visual Computing, Bioinformatik, Statistik, oder ein verwandtes Gebiet
- Lehrerfahrung / Erfahrung mit E-Learning
- Kenntnis universitärer Abläufe und Strukturen
- Auslandserfahrungen
- Erste Erfahrungen im wissenschaftlichen Arbeiten
- Gute Deutschkenntnisse
- Sehr gute Programmierkenntnisse in einer Sprache (e.g. Python / R / C++)
- Statistikkenntnisse
- Vorkenntnisse im Bereich Datenvisualisierung (z.B. D3.js, Tableau, matplotlib)
- Erfahrung mit ML-Frameworks wie Pytorch, Tensorflow, scikit-learn
- Kenntnisse in der GPGPU-Programmierung (CUDA oder OpenCL)
- Erfahrung mit quantitativen Forschungsmethoden (z.B. in Data Science / Statistik)
- Erste Erfahrungen mit interdisziplinärer Teamarbeit
- Erfahrungen mit Prototyping
- Erfahrungen im Unterrichten, Tutorentätigkeit oder Workshopleitung



Forschungsfächer:

Hauptforschungsfach	Spezielle Forschungsfächer	Wichtigkeit
Informatik	Human-Computer Interaction;Data Science;Visualisierung	Musskriterium

Ausbildungen:

Bildungseinrichtung	Ausbildungsrichtung	Spezielle Ausbildungsrichtung	Wichtigkeit
Universität	Mathematik, Informatik		Sollkriterium

Sprachen:

Sprache	Sprachniveau	Wichtigkeit
Englisch	Sehr gute Kenntnisse	Musskriterium

EDV:

Art der EDV-Kenntnisse	Spezifizierte EDV-Kenntnisse	Wichtigkeit
Programmiersprachen	Sonstige	Sollkriterium

Ihre Bewerbung:
Wir freuen uns auf Ihre aussagekräftige Bewerbung mit Motivationsschreiben unter der Kennzahl 12127, welche Sie bis zum 20.12.2021 bevorzugt über unser Job Center ( http://jobcenter.univie.ac.at/)  an uns übermitteln.

Für nähere Auskünfte über die ausgeschriebene Position wenden Sie sich bitte an Koesten, Laura +43-1-4277-79020.

Die Universität Wien betreibt eine antidiskriminatorische Anstellungspolitik und legt Wert auf Chancengleichheit und Diversität (http://diversity.univie.ac.at/). Insbesondere wird eine Erhöhung des Frauenanteils in Leitungspositionen und beim wissenschaftlichen Personal angestrebt. Frauen werden bei gleicher Qualifikation vorrangig aufgenommen.

DLE Personalwesen und Frauenförderung der Universität Wien
Kennzahl der Ausschreibung: 12127
E-Mail: jobcenter@univie.ac.at
Datenschutzerklärung