Get a reply from this employer
Your resume and cover letter, tailored to exactly what they’re hiring for.
findic sucht einen hochqualifizierten Data Scientist (PhD-Programmstart oder Promotion in Kürze) zur Entwicklung fortschrittlicher Predictive-Analytics-Verfahren in einem Banking- und Versicherungskontext. Sie arbeiten an Kalibrierung, Unsicherheitsquantifizierung und Conformal Prediction, nutzen ML-Modelle und Ensemble-Architekturen für tabellarische Daten und evaluieren Modelle mit sensiblen Metriken.
Deutsch 1A, Englisch fließend; MOBILES Arbeiten möglich, Banking/Insurance-Expertise runden
Du entwickelst innovative Predictive-Analytics-Verfahren, um aus statistischen Prognosen verlässliche Wahrscheinlichkeiten und fundierte datenbasierte Entscheidungen abzuleiten. Du untersuchst Methoden der Modellkalibrierung, Unsicherheitsquantifizierung und Conformal Prediction und bewertest ihre Eignung für robuste Prognosen sowie für fundierte Entscheidungen unter realen Datenbedingungen. Du entwickelst Machine-Learning-Modelle und Ensemble-Architekturen für tabellarische Daten und analysierst, wann komplexere Modelle gegenüber etablierten Verfahren einen messbaren Mehrwert bieten. Du entwickelst Evaluationsmethoden, die neben der Trennschärfe auch Wahrscheinlichkeitskalibrierung, statistische Unsicherheit, zeitliche Veränderungen und wirtschaftlich relevante Entscheidungsschwellen berücksichtigen. Du überführst aktuelle Forschung in innovative KI-Lösungen für Banken und Versicherungen, beispielsweise für die Risikobewertung, Tarifierung und Kundensteuerung.
Du hast einen sehr guten Masterabschluss in Statistik, Mathematik, Informatik, Wirtschaftswissenschaften mit quantitativer Ausrichtung oder einem verwandten Fach und arbeitest aktuell an deiner Promotion oder beginnst das Promotionsstudium in Kürze. Du hast fundierte Kenntnisse in Python und im klassischen ML-Stack, etwa NumPy, pandas und scikit-learn, idealerweise ergänzt um XGBoost, LightGBM oder CatBoost. Du verfügst über ein solides Verständnis statistischer Modellierung, Modellvalidierung und prädiktiver Evaluation und weißt, dass hohe Vorhersagegüte nicht automatisch gut kalibrierte Wahrscheinlichkeiten bedeutet. Du kannst Trennschärfe und Wahrscheinlichkeitskalibrierung methodisch unterscheiden und mit geeigneten Metriken bewerten, etwa ROC-AUC und Average Precision für die Rankingqualität sowie Log Loss und Brier Score für probabilistische Prognosen. ECE und Reliability-Diagramme kennst du als ergänzende Instrumente zur Kalibrierungsanalyse und kannst die Grenzen der jeweiligen Metriken einordnen. Du hast Erfahrung mit zeitbasierter Modellvalidierung und Data-Leakage-Prävention und kennst bei überlappenden Label- oder Beobachtungszeiträumen geeignete Verfahren wie Purging und Embargo. Du verfügst über sehr gute Deutschkenntnisse (mindestens C1-Niveau, verhandlungssicher) sowie gute Englischkenntnisse (mindestens B2-Niveau, fließend) in Wort und Schrift. Diese Skills wären ein weiteres Plus, sind aber kein Muss: Kenntnisse in Platt Scaling, isotonischer Regression, Conformal Prediction oder probabilistischer Prognose. Erfahrung mit Ensemble Learning, Stacking, Zeitreihenprognosen oder Uplift-Modellierung. Kenntnisse in Distribution Shift, Concept Drift, Bootstrap-Konfidenzintervallen und zeitbasierter Modellvalidierung. Erfahrung mit Docker, Modellversionierung, Monitoring und dem produktiven Deployment von Machine-Learning-Modellen.