ML Researcher: Multi-Agent Systems, Uncertainty, PyTorch

BrainShells; United States; Remote; USD 120,000 - 180,000; Full time

Benefits offered by this job

Исследовательская свобода

Job summary

HireHi ищет исследователя машинного обучения для работы над стохастическими многоагентными системами с частичной наблюдаемостью и ограниченными вычислительными ресурсами. Ваша задача — моделировать поведение участников, использовать прогнозы для принятия решений и прототипировать решения на Python и PyTorch.

Ключевые требования — крепкая математика, опыт самостоятельных исследований в ML, умение работать с неопределённостью и сравнивать подходы с сильной базой.

Qualifications

• Сильная математическая база и опыт самостоятельных исследований в ML или математических методах.
• Умение работать с неопределённостью и ограничениями бюджета вычислений.
• Опыт экспериментального сравнения подходов с базовым решением.
• Будет плюсом PhD, публикации, прикладные исследования, обучение с подкреплением, моделирование поведения.

Responsibilities

• Моделировать поведение участников на основе миллионов эпизодов.
• Использовать прогнозы для принятия решений в условиях неопределённости и ограниченных вычислительных ресурсов.
• Разрабатывать или существенно улучшать методы машинного обучения и математики.
• Экспериментально доказывать преимущество нового подхода над базовым решением.
• Прототипировать решения на Python и PyTorch.

Skills

Математическая база

Самостоятельные исследования

Работа с неопределённостью

Опыт сравнения подходов

Education

PhD желательно

Tools

Python

PyTorch

Job description

HireHi ищет исследователя машинного обучения для работы над стохастическими многоагентными системами с частичной наблюдаемостью и ограниченными вычислительными ресурсами. Ваша задача — моделировать поведение участников, использовать прогнозы для принятия решений и прототипировать решения на Python и PyTorch.

Ключевые требования — крепкая математика, опыт самостоятельных исследований в ML, умение работать с неопределённостью и сравнивать подходы с сильной базой.