ΑΠΑΙΤΟΥΜΕΝΑ ΠΡΟΣΟΝΤΑ |
ΜΟΝΑΔΕΣ ΒΑΘΜΟΛΟΓΗΣΗΣ ή ON/OFF |
Πτυχίο Μηχανικών Πληροφορικής Τεχνολογικής Εκπαίδευσης ή συναφούς αντικειμένου της ημεδαπής ή ισότιμος τίτλος σπουδών της αλλοδαπής αναγνωρισμένος από το ΔΟΑΤΑΠ |
ON/OFF |
Μεταπτυχιακό Δίπλωμα Ειδίκευσης στην Πληροφορική ή τα Πληροφοριακά Συστήματα, της ημεδαπής ή ισότιμος τίτλος σπουδών της αλλοδαπής αναγνωρισμένος από το ΔΟΑΤΑΠ |
ON/OFF |
Άριστη Γνώση Αγγλικής Γλώσσας |
ON/OFF |
ΣΥΝΕΚΤΙΜΩΜΕΝΑ ΠΡΟΣΟΝΤΑ |
ΜΟΝΑΔΕΣ ΒΑΘΜΟΛΟΓΗΣΗΣ |
Εργασιακή εμπειρία στον προγραμματισμό και ανάπτυξης διαδικτυακών εφαρμογών, στην σχεδίαση και ανάπτυξη βάσεων δεδομένων |
· Εμπειρία έως 6 μήνες :5 μονάδες · Εμπειρία από 6 μήνες έως 1 έτος: 10 μονάδες · Εμπειρία από 1 έως 3 έτη: 15 μονάδες · Εμπειρία μεγαλύτερη των 3 ετών: 20 μονάδες |
Εμπειρία στο σχεδιασμό συστημάτων προγνωστικής μοντελοποίησης μέσω υπολογιστικής νοημοσύνης, έλεγχο και δοκιμές πληροφοριακών συστημάτων και την επικύρωσή τους |
· Εμπειρία έως 1 έτος :5 μονάδες · Εμπειρία από 1 έως 3 έτη: 10 μονάδες · Εμπειρία μεγαλύτερη των 3 ετών: 15 μονάδες |
Εμπειρία από συμμετοχή σε συγχρηματοδοτούμενα έργα |
· Εμπειρία έως 1 έτος :5 μονάδες · Εμπειρία από 1 έως 3 έτη: 10 μονάδες · Εμπειρία μεγαλύτερη των 3 ετών: 15 μονάδες |
Εμπειρία στη συλλογή και αξιολόγηση γεωαναφερόμενων δεδομένων και συστημάτων παρακολούθησης γεωναφερόμενων δεδομένων |
· Εμπειρία έως 6 μήνες :5 μονάδες · Εμπειρία από 6 μήνες έως 1 έτος: 10 μονάδες · Εμπειρία μεγαλύτερη του 1 έτους: 15 μονάδες |
- Συμβολή στη δημιουργία βάσης δεδομένων με γεω-αναφορά, δημιουργία συστήματος ηλεκτρονικής παρακολούθησης, προσβάσιμης από τα ενδιαφερόμενα μέρη, συμβολή στον καθορισμό πρωτοκόλλων για τη συλλογή και αξιολόγηση δεδομένων, καθορισμός μεθοδολογίας αξιολόγησης, προγνωστική μοντελοποίηση μέσω υπολογιστικής νοημοσύνης για περαιτέρω ενίσχυση της αξιολόγησης των στρατηγικών αποκατάστασης (ΠΕ1).
- Συμβολή στην πιλοτική δράση στην περιοχή του Αμβρακικού με τη συλλογή ιστορικών δεδομένων, χαρτογράφηση μέσω δορυφορικής απεικόνισης, πτήσεις UAV, χρήσης καταγραφικών και υδροακουστικών δεδομένων για τον προσδιορισμό περιβαλλοντικών χαρακτηριστικών και τη διαμόρφωση κατευθυντήριων γραμμών για τη συντήρηση και αποκατάσταση της λειτουργικότητας του οικοσυστήματος των πασχουσών περιοχών. Χρήση Μηχανικής μάθησης για την ανάλυση μεγάλων δεδομένων για τον εντοπισμό προτύπων, τάσεων και ανωμαλιών, χρήση τεχνικών μηχανικής όρασης για την ανάλυση δορυφορικών εικόνων και δεδομένων (ΠΕ2).