Postdoktor inom maskininlärning

Vid avdelningen för avdelningen för Systemteknik utvecklar vi både teori och konkreta verktyg för att designa system som lär sig, resonerar och agerar i den verkliga världen baserat på en sömlös kombination av data, matematiska modeller och algoritmer. Vår forskning integrerar expertis från maskininlärning, optimering, reglerteori och tillämpad matematik, och spänner över olika tillämpningsområden som medicin, energisystem, biomedicinska system, neurovetenskap och säkerhet. Vid avdelningen har vi ett brett nätverk av långvariga internationella samarbetspartners över hela världen, till exempel vid University of Cambridge, University of Oxford, Imperial College London, University of Sydney, University of Newcastle och Aalto University. Arbetsuppgifter Detta projekt fokuserar på att utveckla, analysera och tillämpa nya metoder inom förstärkningsinlärning och modellprediktiv styrning (MPC), både stokastiska och deterministiska formuleringar. Fokus kommer att ligga på att utveckla metoder för robust förstärkningsinlärning och/eller MPC-formuleringar. Vi är särskilt intresserade av miljöer där kostnads- eller belöningsfunktionen är icke-ergodisk. I dessa situationer fångar de förväntade kostnaderna/belöningarna inte beteendet hos individuella utrullningar, vilket kräver nya konstruktioner. Vi kommer att utveckla och analysera generellt tillämpliga algoritmer och modeller tillsammans med våra samarbetspartners. Den postdoktorala forskaren kommer att gemensamt handledas av Assistant Professor Dominik Baumann (Aalto-universitetet) och när det gäller MPC-aspekterna kommer vi att samarbeta med Assistant Professor Johannes Köhler vid Imperial College London. Tekniska byggstenar kan inkludera förstärkningsinlärning, tillståndsmodeller, MPC, djupinlärning, och probabilistisk modellering i allmänhet. Tjänsten kan innehålla undervisning upp till 20% beroende på tillgänglighet och intresse. Du förväntas kunna undervisa på svenska eller engelska. Kvalifikationskrav Doktorsexamen i ma