Deine Aufgaben:

• 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.

Deine Skills:

• 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.  #LI-Hybrid  #LI-LE1
  

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.

Diese Stelle ist in Voll- oder Teilzeit zu besetzen.