Inženir za računalniški vid in strojno učenje (m/ž)

• Razvoj rešitev s področja računalniškega vida, strojnega in globokega učenja.

• Izbira, implementacija in primerjava primernih ML/DL pristopov za konkretne probleme.

• Priprava in analiza podatkov: zajem, čiščenje, označevanje, predprocesiranje, augmentacija in vizualizacija.

• Učenje, validacija in optimizacija modelov ter sistematično izvajanje eksperimentov.

• Načrtovanje in prilagajanje arhitektur nevronskih mrež, loss funkcij, metrik, strategij učenja in hiperparametrov.

• Analiza napak ter izboljševanje natančnosti, robustnosti in generalizacije modelov.

• Delo na nalogah, kot so klasifikacija slik, detekcija objektov, segmentacija, podobnost slik, lokalizacija ter 3D/stereo vid.

• Spremljanje aktualnih raziskav, razumevanje znanstvenih člankov ter preizkušanje novih metod.

• Optimizacija inference in podatkovnih cevovodov ter skrb za kakovost, ponovljivost in dokumentiranje eksperimentov.

• Sodelovanje v majhni razvojno-raziskovalni ekipi pri načrtovanju eksperimentov, code reviewu in izmenjavi znanja.

Pričakujemo

• Dobro razumevanje globokega učenja in osnovnih arhitekturnih nevronskih mrež, predvsem CNN-jev in Transformerjev.

• Izkušnje z vsaj enim ogrodjem, kot so PyTorch, TensorFlow ali JAX.

• Dobro matematično ozadje na področjih linearne algebre, verjetnosti, statistike in optimizacije.

• Razumevanje ML procesa: priprava podatkov, učenje, validacija, preprečevanje overfittinga in evalvacija modelov.

• Poznavanje knjižnic, kot so NumPy, SciPy, scikit-learn, pandas, Matplotlib in OpenCV.

• Razumevanje pristopov, kot so transfer learning, fine-tuning, data augmentation, regularizacija, learning-rate scheduling in metric learning.

• Osnovno poznavanje Gita.

• Radovednost in želja razumeti, zakaj model deluje oziroma zakaj ne.

BONUS

• C, C++ ali Rust in optimizacija zmogljivosti,

• moderne arhitekture za klasifikacijo, detekcijo ali segmentacijo,

• delo z GPU-ji in optimizacijo učenja oziroma inference,

• orodja za spremljanje in primerjanje eksperimentov,

• Linux in Bash,

• pisanje pregledne, modularne in vzdrževane kode,

• implementacija metod iz znanstvenih člankov oziroma reprodukcija raziskovalnih rezultatov.