Bolsa de PD em Recuperação de Informações

Post-doctoral Fellowship in Information Retrieval

Nº: 3202

Área de conhecimento: Ciência da Computação

Field of knowledge: Computer science

Nº do processo FAPESP: 2018/15597-6

FAPESP process: 2018/15597-6

Título do projeto: Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação

Project title: Aplication and Investigation of Unsupervised Learning Methods in Retrieval and Classification Tasks

Área de atuação: Recuperação de Informações, Aprendizado de Máquina e Visão Computacional

Working area: Information Retrieval, Machine Learning, and Computer Vision

Quantidade de vagas: 1

Number of places: 1

Pesquisador principal: Daniel Carlos Guimarães Pedronette

Principal investigator: Daniel Carlos Guimarães Pedronette

Unidade/Instituição: DEMAC/IGCE/UNESP

Unit/Instituition: DEMAC/IGCE/UNESP

Data limite para inscrições: 30/11/2019

Deadline for submissions: 2019-11-30

Publicado em: 25/09/2019

Publishing date: 2019-09-25

Localização: Avenida 24 A,1515, Rio Claro

Locale: Avenida 24 A,1515, Rio Claro

E-mail para inscrições: daniel.pedronette@unesp.br

E-mail for proposal submission: daniel.pedronette@unesp.br

  • Resumo Summary

    O Departamento de Estatística, Matemática Aplicada e Computação (DEMAC) da Universidade Estadual Paulista (Unesp), Campus Rio Claro, está com uma posição aberta de pós-doutorado referente ao Projeto FAPESP “Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação”.

    Os candidatos devem ter doutorado em Ciência da Computação ou em áreas relacionadas. A posição requer pesquisa e desenvolvimento em Recuperação de Informação, Aprendizado de Máquina e Visão Computacional.

    Espera-se que o candidato interaja com outros membros do projeto, incluindo professores e estudantes de graduação, mestrado e doutorado. O trabalho será focado na aplicação de algoritmos de aprendizado não supervisionado em diferentes domínios e na investigação de métodos de aprendizado não supervisionado utilizando deep learning.

    O pós-doutorando iniciará as atividades por um período inicial de 2 anos, renovável por mais 2 anos. O selecionado receberá Bolsa de Pós-Doutorado da FAPESP no valor de R$ 7.373,10 mensais e Reserva Técnica equivalente a 15% do valor anual da bolsa para atender a despesas imprevistas e diretamente relacionadas à atividade de pesquisa.

    Os interessados devem enviar e-mail ao coordenador do projeto, Prof. Daniel C. G. Pedronette (daniel.pedronette@unesp.brhttp://www.ic.unicamp.br/~dcarlos), com uma carta de apresentação descrevendo as motivações pessoais e de pesquisa que justifiquem o interesse nesta posição; currículo, contendo lista de publicações, habilidades e experiências profissionais.

    Applications are open for a 2-year (renewable) post-doctoral fellowship position to work at the Department of Statistics, Applied Mathematics and Computing (DEMAC), State University of São Paulo (UNESP), Rio Claro, São Paulo State, Brazil.

    The candidate must have a PhD in Computer Science or in a related field.

    The position requires research and development in Information Retrieval, Machine Learning, and Computer Vision.

    The candidate is expected to interact with other members of the project including professors, undergraduate, masters, and PhD students.

    The work of the fellow will be focused on the application of unsupervised learning algorithms in different domains and the investigation of unsupervised learning methods using deep learning.

    Fellowship:

    The post-doctoral fellowship includes a monthly stipend of R$ 7.373,10 (about USD 1,800) and research contingency funds (15% of the annual value of the fellowship, each year).

    For more details, check out FAPESP’s webpage http://www.fapesp.br/en/5427.

    How to Apply:

    Interested candidates should send an email to the Project’s Coordinator, Prof. Daniel Pedronette (daniel.pedronette@unesp.br; http://www.ic.unicamp.br/~dcarlos), with the following materials:

    • Curriculum vitae with a list of publications, and previous experience;
    • A motivation letter for the application.