博士申请 | 卡耐基梅隆大学陈贝迪老师课题组招收机器学习方向博士生

合适的工作难找？最新的招聘信息也不知道？

AI 求职为大家精选人工智能领域最新鲜的招聘信息，助你先人一步投递，快人一步入职！

卡耐基梅隆大学

我们组将来会致力于以发展 (advance) 和普及人工智能系统 (democratize AI) 为目标，高效的机器学习 (efficient ML) 为核心，从算法 (algorithms) / 模型 (modeling) / 系统及硬件 (system & hardware) / 应用 (applications) 等多个角度的研究。具体的方向和工具包括但是不限于探索/学习/实现：

[模型] 高效 (wall-clock time, memory) 的大模型训练，微调，推论，以及在边缘设备(edge device)的部署
[模型] 新的模型和拟合数据的方法, e.g, semi-parametric models, forward-only models, Sparse / MoE models
[算法] 矩阵的近似/快速算法, e.g., sublinear algorithms, probabilistic data structures, fast transforms
[系统] 系统和硬件的共同设计 (co-design)，分布式及去中心化算法 (distributed / decentralized systems)
[应用] 自然语言处理 (NLP)，计算机视觉(CV), 科学应用 (Science) e.g., new material discovery, antenna / circuits design

导师简介

陈贝迪博士将于2023秋季加入卡内基梅隆大学电气与计算机工程任助理教授。目前（2022-2023）在FAIR / Meta AI 担任研究科学家。在此之前（2020-2022），她是斯坦福大学计算机科学博士后学者。她分别于2020年和2015年获得了莱斯大学计算机科学的博士学位以及加州大学伯克利分校电子工程与计算机学士学位。她的研究方向是高效的深度学习 – 在当前硬件上设计和优化随机算法以加速大型机器学习系统。她的工作曾获得 ICML 最佳论文提名。她被麻省理工学院和伊利诺伊大学厄巴纳-香槟分校选为 2021， 2019 EECS Rising Star。

个人主页：

https://www.andrew.cmu.edu/user/beidic/

申请要求

我们对组里成员唯一的硬性标准是能够在实验室一直保持对科研的热情和探索精神（百折不挠）。我们组会精心培养成员发现问题和解决问题的能力。以下几种是根据个人经验总结的能够支撑大家保持兴趣的几种能力，希望大家一起进步：

1. 数学和理论基础（最起码 - 线性代数，凸优化，概率论，偏微分方程）；

2. 除了跟进最新的算法和模型，能静下心来读经典文章（跟时尚一样，十年一轮回，很多新的idea是基于以前的算法在不同的时间不同的应用发挥了不同的作用）；

3. 基本算法开发、分析、调试（好的infra / codebase会让科研效率提升）；

4. 底层语言掌握 C++, CUDA, Benchmarking (我们组的算法都偏理论，在硬件上实现加速需要更底层的编程)；

5. 交流和合作（做报告，写作，组内组外合作的能力非常重要）。

组内文化

我们希望在保证成员能够在身心健康，饮食作息规律的基础上一起快乐科研：

1. Collaboration：我们是一只队伍，希望大家互相尊重互相学习。比如对于每个项目，文章初稿，报告练习大家都能互相交流提建议；