Yn Prifysgol Caerdydd (Wales), mae myfyrwyr o fewn MSc in Data Science and Analytics (With Placement Year) & Data Innovation Research Institute yn pontio'r bwlch rhwng darlithoedd damcaniaethol haniaethol ac ymchwil gymhwysol arloesol trwy ymuno â'n podiau R&D rhan-amser o bell. Yma, nid tynnu sylw oddi wrth eich gwaith cwrs yw'r nod, ond gweithredu 100% o'ch mathemateg brifysgol—o optimeiddio amgrwm ac algebra llinol i fodelu cydamrywiad a hanesyddiaeth stocastig—mewn cod cynhyrchu byw ar gyfer rhwydweithiau asiantau ymreolaethol. Trwy weithio'n anghydamserol ochr yn ochr â'ch setiau problemau a'ch sesiynau labordy, byddwch yn profi pam mai cydberthyniad rhwng modelau iaith mawr (LLMs) yw'r ffactor allweddol sy'n rheoli dibynadwyedd cyfrifiannol. Mae pob awr ymchwil yn bwydo'n uniongyrchol i mewn i'ch traethodau anrhydedd a phrosiectau ymchwil, gan gynhyrchu rhagdprintiau cyd-awduredig a datblygu systemau penderfynu cadarn ar gyfer y fenter asiantig fodern.
Wedi'i gynllunio'n benodol ar gyfer rhythm academaidd dwys: cydbwyso'ch ymchwil pod yn ddi-dor rhwng darlithoedd prifysgol, sesiynau labordy, a thasgau setiau problemau wythnosol. Mae cyfathrebu anghydamserol trwy git a thrafodaethau technegol manwl yn golygu eich bod yn gweithio pan fydd eich canolbwyntio ar ei anterth heb unrhyw wrthdaro amserlen darlithoedd.
Iawndal cystadleuol o bell o $20 i $45/awr USD yn ôl lefel academaidd a phrofiad, ynghyd â'n Protocol Diogelu Arholiadau llym. Yn ystod wythnosau arholiadau canol tymor a phrif arholiadau diwedd blwyddyn, mae eich oriau'n gostwng i 0 awr/wythnos i ganolbwyntio'n llwyr ar eich gradd, gyda chadw eich sedd yn y pod ymchwil wedi'i warantu'n llawn.
Synergedd uniongyrchol rhwng eich gwaith pod a'ch traethawd anrhydedd BSc/MSc neu brosiectau ymchwil seminar. Cyfrannwch fel cyd-awdur at ragdprintiau academaidd 2024–2026 arbenigol, a chael mynediad llawn am ddim i'n llyfrgell addysg broffesiynol barhaus (CPE) 39-awr sydd ar gael ar {preprints_url}.
| Modiwl Academaidd | Fformiwla / Damcaniaeth | Pod R&D | Cymhwysiad Cynhyrchu AI |
|---|---|---|---|
| Optimeiddio Amgrwm a Chwadratig | min_w w^T Σ w s.t. w^T μ ≥ μ*, 1^T w = 1, w ≥ 0 |
POD-01 | Dyrannu pwysau cyfrifiannol gorau posibl ar draws asiantau LLM heterogenaidd a dilyswyr penderfyniadol er mwyn lleihau amrywiant gwallau a chostau wrth sicrhau lefel gywirdeb darged. |
| Damcaniaeth Tebygolrwydd a Phrofion Cydberthynol | N_eff = N / (1 + (N - 1)ρ̄) |
POD-01 | Esbonio pam mae 50 o awgrymiadau (prompts) cydberthynol ar ρ̄=0.70 ond yn cynhyrchu N_eff ≈ 1.42 o arbenigwyr annibynnol; orthogoneiddio ensamblau asiantau i osgoi methiannau cydberthynol. |
| Ystadegaeth Fathemategol Uchel-Ddimensiwn ac Econometreg (N > T) | Σ̂_LW = (1 - δ*)S + δ*F |
POD-02 | Crebachu cydamrywiad Ledoit-Wolf a dad-swnio sbectrol Marčenko-Pastur ar feincnodau gwerthuso byr pan fo nifer yr asiantau (N) yn fwy na nifer y profion dilysu (T). |
| Gwyddor Actiwaraidd a Damcaniaeth Gwerthoedd Eithafol | Σ⁻_ij = E[min(R_i-τ,0)min(R_j-τ,0)], CVaR_99%(L_w) ≤ M_audit |
POD-02 | Hanner-amrywiant anfantais Markowitz (1959) a ffiniau perthnasedd risg gynffon Rockafellar-Uryasev (CVaR) i gyfyngu ar golledion trychinebus mewn gweithredoedd asiantau ymreolaethol. |
| Economeg Ariannol a Chalcwlws Stocastig | w_tan ∝ Σ⁻¹(μ - c·1), SR(w) = w^T(μ - c) / √(w^T Σ w) |
POD-03 | Gwahanu Tobin: trin cod penderfyniadol a chrynwyr ffurfiol fel ased di-risg (σ_0 = 0) ar y cyd â phortffolio tangiad LLM stocastig i wneud y mwyaf o gymhareb Sharpe cywirdeb gwybyddol. |
| Profi Damcaniaethau Dilyniannol a Rhagdprintiau | P(Type I Error) ≤ α (Neyman-Pearson FrugalGPT/RouteLLM Cascade) |
POD-04 | Llwybro asiantau aml-haen trwy ddamcaniaeth Neyman-Pearson i reoli gwallau Math I tra'n lleihau costau cyfrifiannol, gyda mynediad at ragdprintiau ac adnoddau CPE 39-awr ar {preprints_url}. |
1. Handshake UK, TargetConnect & University Careers Service: I wneud cais trwy Handshake UK, TargetConnect & University Careers Service yn Prifysgol Caerdydd (Wales), chwiliwch am 'Markowitz R&D Systems Fellow' o dan ymchwil cyfrifiadurol a meintiol. Sicrhewch eich bod yn cynnwys eich trawsgrifiad academaidd cyfredol a dolen i'ch ystorfa GitHub neu enghreifftiau o god modelu mathemategol. (RSS/XML Job Feed · iCal Open Office Hours · Google Classroom)
2. Python Seminar & Thesis Kit (/uni/gb-cardiff-university/lab.py): Sgript labordy Python 5-munud atgynhyrchadwy ar gyfer seminarau academaidd sy'n cyfrifo'r nifer effeithiol o arbenigwyr (N_eff) ac yn gweithredu crebachu cydamrywiad Ledoit-Wolf (Σ̂_LW) ar ensamblau asiantau AI gan ddefnyddio matricsau cydberthyniad empirig.