Die Professur ist eingebettet in das Profil der forst- und holzwissenschaftlichen Kompetenz der Hochschule. Mit der Professur schlagen Sie die Brücke zwischen zugänglichen Datensätzen, in ihrer ganzen Vielfalt und Variabilität aber auch mit besonderem Bezug zu an der HNEE generierten Daten, und den Big Data Strukturen der Hochschule und befördern so die Nutzung selbiger für nachhaltige Wertschöpfung in der Holzwirtschaft. Durch das Data Mining ermöglichen Sie es, eine komplexe Realität abzubilden, aus der heraus z.B. spezifische und individualisierte Fragestellungen zum Rohstoff Holz in Struktur, Bearbeitung und Verwertung auch im Zusammenhang mit der Herkunft modelliert und beantwortet werden können. Sie unterstützen damit Struktur- und Materialverhaltensvorhersagen und anwendungsoptimierte Verfahren in den Holzwissenschaften. Auf Basis von mathematisch-statistischen Grundlagen entwickeln Sie KI- und andere digitale Modelle zu Materialverhalten und Materialproduktion und ermöglichen dadurch Erkenntnisgewinn in Bereichen der Produktionstechnologie und der Materialkunde. Als ausgewiesene*r Wissenschaftler*in aus dem Fächerspektrum Mathematik /Statistik, Informatik, Machine Learning oder mit material-, insbesondere mit holzwissenschaftlichem Profil, das eine Vertrautheit mit den unterschiedlichen Methoden des maschinellen Lernens erkennen lässt, unterstützen Sie mit Ihrer Expertise das Center for Data Science der HNEE und befördern ein institutionenübergreifendes datenbankbezogenes Forschungsnetzwerk am Standort Waldcampus der HNEE. Sie übernehmen Lehrveranstaltungen in deutscher und englischer Sprache in Mathematik und Statistik ingenieurstypischer Disziplinen, sowie in Bereichen der mathematischen Ansätze im Rohstoffmanagement und in den KI-Anwendungen mit Schwerpunkten Maschinelles Lernen und Deep Learning.Als neue*r Kolleg*in vertreten Sie Ihr Fachgebiet in voller Breite, setzen innovative Ideen für anwendungsbezogene Forschungs- und Entwicklungsaufgaben um und zeigen den Einklang von Forschung und Lehre. Ihr Arbeitsstil und Ihre Denkweise sind von einer interdisziplinären Perspektive geprägt. Eine aktive Auseinandersetzung mit neuen Trends der Praxis, Forschung und Lehre ist für Sie selbstverständlich. Das reguläre Lehrdeputat beträgt 18 SWS.What to expectThe professorship is embedded in the university's profile of forestry and wood science expertise. With the professorship, you will form a bridge between accessible data sets, in all their diversity and variability but also with special reference to data sets generated at HNEE, as well as the university's big data structures and thereby promote the use of these for sustainable wood processing value creation. Through data mining, you facilitate the reflection of a complex reality from which, for example, specific and individualized questions about the raw material wood in structure, processing and utilization can be modeled and resolved, also in the context of provenance. They thus support structural and material performance prognoses and application-optimized processes in wood science and engineering.Based on mathematical-statistical principles, you will develop AI and other digital models of material behavior and material production, thus enabling knowledge to be gained in the fields of production technology and materials science. As a renowned scientist in the fields of mathematics/statistics, computer science, machine learning or with a background in materials science, especially wood science, which shows a familiarity with the various methods of machine learning, you will support the Center for Data Science at HNEE with your expertise and promote a cross-institutional database-related research project.You will give courses in German and English in mathematics and statistics in classical engineering disciplines, as well as in areas of mathematical approaches in raw materials management and in AI applications with a focus on machine learning and deep learning.As a potential new colleague, you will represent your field in its full spectrum, implement innovative ideas for application-oriented research and development tasks and demonstrate the alignment of research and education. Your approach and mindset are characterized by an interdisciplinary perspective. An active engagement with current trends in practice, research and teaching is a self-evident part of your work.The regular teaching load is 18 SWS.