Applied Mathematician (Probability, Measure Theory, and Statistics) (GB)

Signaloid пропонує новаторську обчислювальну платформу, розроблену для динамічного відстежування невизначеностей даних протягом виконання. Використовуючи детерміновані обчислення на внутрішніх процесорних представленнях розподілів ймовірностей, наша платформа перевершує традиційні методи Монте-Карло, забезпечуючи значні прискорення та зниження витрат. Доступна як хмарний двигун з API для виконання завдань, Signaloid також підтримує впровадження на локальних комп'ютерах та апаратних засобах на периферії, забезпечуючи безперебійну роботу навіть без підключення до хмари.

Наша платформа є найекономічнішою та найшвидшою рішенням для додатків інженерної оцінки невизначеності. Незалежно від того, чи це ціноутворення опціонів та моделювання портфелів у фінансах, чи моделювання матеріалів та симуляція фотоніки в інженерії, наша система перевершує реалізації базовані на Монте-Карло, які працюють на висококласних екземплярах AWS EC2, на порядок або більше.

Приєднуйтесь до команди контрарних інженерів із великим досвідом досліджень, інженерії та лідерства з таких гігантів індустрії, як Apple, ARM і Bell Labs, а також престижних установ, таких як CMU, Cambridge, MIT та Oxford. Дізнайтесь більше та спробуйте платформу обчислень з відстеженням невизначеностей Signaloid, зареєструвавшись безкоштовно на Signaloid Developer Platform.

Як Прикладний Математик, ви будете тісно співпрацювати із засновником Signaloid та командами інженерів. Ваша місія: розробка нових математичних методик для покращення можливостей нашої платформи виконувати детерміновані обчислення на кінцевих внутрішньопроцесорних представленнях ймовірнісних розподілів. Ця роль пріоритизує прикладні дослідження в межах продуктів з визначеними термінами виконання.

• Створювати нові варіанти внутрішніх представлень ймовірнісних розподілів кінцевих розмірностей.
• Співпрацювати з іншими математиками для дослідження властивостей цих представлень.
• Розробляти надійні реалізації на C/C++, забезпечуючи їх відповідне тестування, документацію та готовність до продукції.
• Розширювати і створювати аналітичні межі та докази для представлень розподілів.
• Вивчати вплив представлень розподілів у різних доменах, від машинного навчання до фінансів.
• Передавати результати через внутрішню документацію, публічні дослідження та блоги.

Протягом року розраховуйте на отримання більшої відповідальності у визначенні майбутнього теорії прикладних ймовірностей та статистики на нашій платформі, спілкування з дослідниками та розширення навичок у виявленні вашої виняткової майстерності.

Мінімальні Навички та Досвід

• Магістерський ступінь або PhD в прикладній математиці або суміжній дисципліні.
• Сильні знання з ймовірності, теорії міри та статистики.
• Доведені наукові дослідження та публікації в прикладній математиці, науках або інженерії.
• Виняткові аналітичні здібності та швидка