|
ΑΠΑΙΤΟΥΜΕΝΑ ΠΡΟΣΟΝΤΑ |
ΜΟΝΑΔΕΣ ΒΑΘΜΟΛΟΓΗΣΗΣ ή ON/OFF |
|
Πτυχίο/Δίπλωμα Τμήματος Μηχανικών Επιστήμης Υλικών, της ημεδαπής ή ισότιμος τίτλος της αλλοδαπής αναγνωρισμένος από το ΔΟΑΤΑΠ |
Βαθμός πτυχίου*10 |
|
Μεταπτυχιακός τίτλος σπουδών Τμήματος Μηχανικών Επιστήμης Υλικών, της ημεδαπής ή ισότιμος τίτλος της αλλοδαπής αναγνωρισμένος από το ΔΟΑΤΑΠ |
ON/OFF |
|
Αποδεδειγμένη εμπειρία στην ανάλυση βιοϊατρικών δεδομένων με εφαρμογή μεθόδων και τεχνικών μηχανικής μάθησης και τεχνητής νοημοσύνης |
ON/OFF |
|
Αποδεδειγμένη εμπειρία σε υλοποίηση συναφών εθνικών συγχρηματοδοτούμενων και κοινοτικών προγραμμάτων |
ON/OFF |
|
Γνώση Γλωσσών Προγραμματισμού: Python, R, MatLab |
ON/OFF |
|
ΣΥΝΕΚΤΙΜΩΜΕΝΑ ΠΡΟΣΟΝΤΑ |
ΜΟΝΑΔΕΣ ΒΑΘΜΟΛΟΓΗΣΗΣ |
|
Γνώση ξένων γλωσσών: κατά προτίμηση η Αγγλική |
50 ΚΑΛΗ ΓΝΩΣΗ, 100 ΠΟΛΥ ΚΑΛΗ ΓΝΩΣΗ, 150 ΑΡΙΣΤΗ ΓΝΩΣΗ |
- Πακέτο εργασίας «WP5 / Task 5.2 Advanced and personalised Health & Home Monitoring Activity Treatments, Task 5.3 AI-powered services for Personalised early risk detection and risk assessment.
- Πακέτο εργασίας «WP6 / Task 6.3-Big Data and Data analytics strategies for early detection and intervention».
