ΘΕΣΕΙΣ ΥΠΟΨΗΦΙΩΝ ΔΙΔΑΚΤΟΡΩΝ ΚΑΙ ΜΕΤΑΔΙΔΑΚΤΟΡΩΝ ΕΡΕΥΝΗΤΩΝ
ΣΤΟ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΟΥ ΟΠΑ
Υπάρχουν διαθέσιμες:
- 2 θέσεις Υποψηφίων Διδακτόρων
- 1 θέση Μεταδιδάκτορα Ερευνητή
στο Τμήμα Πληροφορικής του Οικονομικού Πανεπιστημίου Αθηνών υπό την επίβλεψη του Καθηγητή Ιορδάνη Κουτσόπουλου https://scholar.google.com/citations?user=Bq_GqyIAAAAJ&hl=en, με δυνατότητα χρηματοδότησης μέσω ερευνητικών προγραμμάτων.
Οι ενδιαφερόμενοι/ες μπορούν να εκδηλώνουν το ενδιαφέρον στέλοντας email στο jordan@aueb.gr με θέμα «Εκδήλωση ενδιαφέροντος για θέσεις στο ΟΠΑ» μέχρι 10/6/2021 με το βιογραφικό τους. Θα απαντηθούν τα emails ενδιαφερομένων που πληρούν τα παρακάτω προσόντα.
Απαιτούμενα Προσόντα για θέσεις Υποψηφίων Διδακτόρων:
- Ηλικία: μέχρι 27 ετών.
- 1ο πτυχίο: Ηλεκτρολόγου Μηχανικού και Μηχ. Η/Υ, Μηχανολόγου Μηχανικού, Πληροφορικής, Επιστήμης Υπολογιστών ή άλλου συναφούς αντικειμένου με βαθμό πτυχίου > 7,5.
- Στέρεη γνώση σε τουλάχιστον 2 από τις παρακάτω περιοχές: βελτιστοποίηση, δίκτυα υπολογιστών, ασύρματες επικοινωνίες, μηχανική μάθηση, αλγόριθμοι.
- Πολύ καλή γνώση Αγγλικών.
- Πολύ καλό υπόβαθρο σε προγραμματισμό (C/C++, Python, Java).
- 1-2 Συστατικές Επιστολές (θα ζητηθούν πριν την τελική αποδοχή).
- Δυνατότητα για Full-time απασχόληση.
- Μεταπτυχιακό σε συναφές πεδίο ή προϋπηρεσία σε σχετικό αντικείμενο σε εταιρεία θα συνεκτιμηθούν.
- Στρατιωτικές υποχρεώσεις: εκπληρωμένες ή με αναβολή στράτευσης μέχρι το 2025.
Απαιτούμενα Προσόντα για τη θέση Μεταδιδάκτορα Ερευνητή:
- Ηλικία: μέχρι 30 ετών.
- Διδακτορικό Ηλεκτρολόγου Μηχανικού και Μηχ. Η/Υ, ή Πληροφορικής ή Επιστήμης Υπολογιστών ή συναφούς αντικειμένου.
- Επιστημονικές δημοσιεύσεις σε κορυφαία επιστημονικά περιοδικά και συνέδρια (IEEE, ACM).
- Πολύ καλή γνώση Αγγλικών.
- 1-2 Συστατικές Επιστολές (θα ζητηθούν πριν την τελική αποδοχή).
- Επιθυμητή: προηγούμενη εμπειρία συμμετοχής σε Ευρωπαϊκά/Εθνικά ερευνητικά προγράμματα. Θα εκτιμηθεί εμπειρία στη συγγραφή ερευνητικών προτάσεων.
- Δυνατότητα για full-time απασχόληση.
Οι περιοχές των θέσεων είναι:
- Modern and Applied AI and Machine Learning
- Εdge computing and edge analytics
- Future wireless network architectures: optimization and experimentation
- Energy efficiency and behavioral science
