Wissenschaftlicher Mitarbeiter (Doktorand) (m/w/d) am Lehrstuhl für Reliable Machine Learning

Katholische Universität Eichstätt-Ingolstadt

Die Katholische Universität Eichstätt-Ingolstadt (KU) ist eine vom Freistaat Bayern anerkannte nicht- staatliche Universität in kirchlicher Trägerschaft. Exzellente Forschung, internationale Ausrichtung, hervorragende Lehre und ideale Studienbedingungen zeichnen uns aus. An acht Fakultäten steht unseren 5000 Studierenden ein breites Fächerspektrum offen. Wir beschäftigen 900 Mitarbeiterinnen und Mitarbeiter unterschiedlicher konfessioneller und weltanschaulicher Prägung. Auf der Grundlage einer christlichen Sicht des Menschen steht die KU als engagierte Universität für eine Wissenschafts- und Bildungskultur der Verantwortlichkeit. An unserer Mathematisch-Geographischen Fakultät am Lehrstuhl für Reliable Machine Learning ist zum nächstmöglichen Zeitpunkt eine Teilzeitstelle (75%) als

wissenschaftlicher Mitarbeiter (Doktorand) (m/w/d)

befristet für die Dauer von zunächst drei Jahren zu besetzen. Dienstort ist Ingolstadt. Die Bezahlung erfolgt im Rahmen des privatrechtlichen Arbeitsverhältnisses bei gegebenen tariflichen Voraussetzungen nach Entgeltgruppe 13 TV-L. Der durch die HighTech-Agenda Bayern finanzierte Lehrstuhl „Reliable Machine Learning“ ist Teil des „Mathematischen Instituts für Maschinelles Lernen und Data Science (MIDS)“ an der KU Eichstätt-Ingolstadt. Die ausgeschriebene Stelle wird finanziert durch das am Lehrstuhl angesiedelte Emmy Noether Projekt „Stability and Solvability in Deep Learning“. Das Projekt beschäftigt sich mit der mathematischen Analyse von Verfahren des Machine Learning, mit einem besonderen Fokus auf Fragen der Stabilität, Berechenbarkeit und Robustheit in Bezug auf Deep Learning. Ihre Aufgaben

• Mitarbeit am Forschungsprojekt „Stability and Solvability in Deep Learning“
• Umsetzung des eigenen Promotionsvorhabens
• Wissenstransfer mittels Publikationen und Teilnahme an Konferenzen

Ihr Profil

• abgeschlossener Master-Abschluss (oder vergleichbar) aus dem Bereich der Mathematik, vorzugsweise mit einem Schwerpunkt in einem der folgenden Bereiche:
  • Machine Learning
  • (hoch-dimensionale) Wahrscheinlichkeitstheorie
  • Funktionsanalysis
  • Information-based Complexity
    Der Master-Abschluss muss zum Beginn der Tätigkeit vorliegen, aber noch nicht notwendigerweise zum Zeitpunkt der Bewerbung.
• Interesse an der mathematischen Analyse von Algorithmen des Machine Learning
• vorzugsweise praktische Erfahrung im Bereich Programmieren und Machine Learning

Unser Angebot

• Möglichkeit, eigenen Forschungsinteressen nachzugehen und zu promovieren
• attraktiver und teamorientierter Arbeitsplatz in einem modernen universitären Umfeld
• interessantes, verantwortungsvolles und vielseitiges Aufgabenspektrum
• internationale Kontakte

Bitte fügen Sie Ihrer Bewerbung folgende Unterlagen bei:

• Anschreiben
• Lebenslauf
• Liste von Publikationen (falls vorhanden)
• Bescheinigung der akademischen Abschlüsse (BSc/MSc), inklusive besuchter Veranstaltungen mit Noten
• falls bereits abgeschlossen eine Kopie der Masterarbeit (sonst einen Entwurf)
• persönliches Empfehlungsschreiben des Betreuers / der Betreuerin der Masterarbeit

Bitte richten Sie Ihre aussagekräftige Bewerbung mit den angeforderten Unterlagen bis 15. Januar 2026 per E-Mail über bewerbung@ku.de an Prof. Dr. Felix Voigtlaender (bitte alle Unterlagen in einer PDF-Datei). Eingereichte Bewerbungsunterlagen werden nach Abschluss des Einstellungsverfahrens unter Beachtung der datenschutzrechtlichen Bestimmungen vernichtet.

Alle Beschäftigten sind verpflichtet, Wesen und Auftrag der KU anzuerkennen, wie sie im Leitbild und in der Stiftungsverfassung festgelegt sind. Wir bitten um auch in dieser Hinsicht aussagekräftige Bewerbungen. Darüber hinaus gibt es keine konfessionellen Voraussetzungen für eine Beschäftigung an der KU.

Die KU fördert die Gleichstellung von Frauen und Männern und setzt sich für die Vereinbarkeit von Familie und Beruf ein. Schwerbehinderte Bewerberinnen und Bewerber werden bei im Wesentlichen gleicher Eignung vorrangig berücksichtigt.