2020

  ΣΥΝΤΟΜΗ ΠΕΡΙΓΡΑΦΗ Στόχος του προτεινόμενου έργου είναι η βελτίωση της πρωτογενούς παραγωγής και επεξεργασίας του γάλακτος προκειμένου να στηριχθεί η ζώνη γάλακτος της επιχείρησης Δημητρίου και οι συνεργαζόμενοι εκτροφείς ώστε να εξασφαλιστεί η εμπορική αξιοποίηση των παραγόμενων γαλακτοκομικών προϊόντων και να προωθηθεί η εκτροφή μικρών μηρυκαστικών μέσω της αειφόρου ανάπτυξης του αγροδιατροφικού τομέα. Σημαντικότερη πρόκληση για την επιχείρηση είναι η  βελτίωση της οικονομικότητάς της μέσω αύξησης της ανταγωνιστικότητας και ανάδειξη της μοναδικότητας των προϊόντων της. Το προτεινόμενο έργο θα επικεντρωθεί στην ολοκληρωμένη διαχείριση της ζώνης γάλακτος και στη μείωση του κόστους παραγωγής με αφετηρία την πρωτογενή παραγωγή δηλαδή τις εκτροφές που αποτελούν τη βάση της πρώτης ύλης για την παραγωγή των γαλακτοκομικών προϊόντων της επιχείρησης αξιοποιώντας τις νέες τεχνολογίες στην διαχείριση του ζωικού υλικού, της τεχνικής υποστήριξης στους εκτροφείς αλλά και τον διαρκή έλεγχο της ποιότητας και την ιχνηλασιμότητα του παραγόμενου γάλακτος.   ΣΥΜΜΕΤΕΧΟΝΤΕΣ Πανεπιστήμιο Δυτικής Μακεδονίας – Τμ. Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών  Δημητρίου Τυροκομικά Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης – Τμήμα Κτηνιατρικής   ΦΟΡΕΑΣ ΧΡΗΜΑΤΟΔΟΤΗΣΗΣ Συγχρηματοδοτείται από το Ευρωπαϊκό Ταμείο Περιφερειακής Ανάπτυξης (ΕΤΠΑ) και εθνικούς πόρους μέσω του Ε.Π. «Δυτική Μακεδονία 2014-2020», ΕΣΠΑ 2014 – 2020   ΔΙΑΡΚΕΙΑ 24 μήνες   ΠΡΟΥΠΟΛΟΓΙΣΜΟΣ 350.042,84€

ΣΥΝΤΟΜΗ ΠΕΡΙΓΡΑΦΗ Το ερευνητικό έργο ΑΥΓΕΙΑΣ στοχεύει στην κεφαλαιοποίηση ερευνητικών αποτελεσμάτων στον τομέα των IoT και των δικτύων LPWAN και στη δημιουργία ενός έξυπνου οικοσυστήματος, το οποίο αξιοποιώντας τεχνολογίες IoT και τεχνικές μηχανικής μάθησης, θα επιτρέπει και θα βελτιστοποιεί τη χρήση ανακτημένου νερού βιολογικού καθαρισμού στη γεωργία. Το “έξυπνο οικοσύστημα” θα αποτελείται από ένα καινοτόμο και εύκολο στην εγκατάσταση και παραμετροποίηση δίκτυο ευρείας εκπομπής και χαμηλής κατανάλωσης ισχύος, ασύρματους αισθητήρες και ενεργοποιητές υψηλής ενεργειακής αυτονομίας εγκατεστημένους σε βέλτιστα σημεία στην επιφάνεια του χωραφιού και στις εξόδους υδάτων του βιολογικού καθαρισμού,  που θα επιτρέπουν λήψη μετρήσεων σε πραγματικό χρόνο και δημιουργία αυτοματισμών, μία πλατφόρμα συλλογής δεδομένων από τους αισθητήρες, συσχέτισης τους με ανοιχτά δεδομένα, επεξεργασίας, ανάλυσής τους και υποστήριξης λήψης έξυπνων αποφάσεων που αφορούν την χρήση νερού από το βιολογικό καθαρισμό, ένα σύστημα πρόβλεψης της αύξησης της παραγωγής που λαμβάνει υπόψιν στατιστικά δεδομένα της συγκεκριμένης έκτασης και τα συνδυάζει με ανοιχτά δεδομένα. Επιπλέον, η πλατφόρμα θα περιλαμβάνει ένα σύστημα έξυπνης τιμολόγησης που θα έχει ως στόχο την αύξηση του κέρδους της διαχειριστικής αρχής με ταυτόχρονη μείωση του κόστους του γεωργού.   ΣΥΜΜΕΤΕΧΟΝΤΕΣ Πανεπιστήμιο Δυτικής Μακεδονίας – Τμ. Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών  Agrosense Ανώνυμη Εταιρία Έρευνας και Ανάπτυξης Δικτυακών Εφαρμογών Δημοτική Επιχείρηση Ύδρευσης Αποχέτευσης Κοζάνης   ΦΟΡΕΑΣ ΧΡΗΜΑΤΟΔΟΤΗΣΗΣ Ενιαία Δράση Κρατικών Ενισχύσεων Έρευνας, Τεχνολογικής Ανάπτυξης & Καινοτομίας «ΕΡΕΥΝΩ – ΔΗΜΙΟΥΡΓΩ – ΚΑΙΝΟΤΟΜΩ» (Β΄ κύκλος)  Συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση και εθνικούς πόρους μέσω του  Ε.Π. «Ανταγωνιστικότητα, Επιχειρηματικότητα και Καινοτομία (ΕΠΑνΕΚ)»,  ΕΣΠΑ 2014 – 2020   ΔΙΑΡΚΕΙΑ 30 μήνες   ΠΡΟΥΠΟΛΟΓΙΣΜΟΣ 522.450€   ΙΣΤΟΣΕΛΙΔΑ https://project-augeias.gr/ 

ΦΕΚ τ.Β’ 4617/20-10-2020 που αφορά σε θέματα μετεγγραφών και μετακινήσεων α) βάσει οικονομικών και κοινωνικών κριτηρίων και β) για αδέρφια προπτυχιακούς φοιτητές https://ece.uowm.gr/uploads/announcements/fek_t.b’_4617_20_10_2020.pdf

Προκηρύσσεται μία θέση για έναρξη διδακτορικής διατριβής με επιβλέποντα καθηγητή τον Καθηγητή Κώστα Στεργίου (kstergiou@uowm.gr). Υπάρχει δυνατότητα χρηματοδότησης του υποψήφιου διδάκτορα από σχετικό ερευνητικό έργο.  Θέμα: Μάθηση Περιορισμών για Προβλήματα Βελτιστοποίησης σε Κέντρα Δεδομένων (Constraint Learning for Optimization Problems in Data Centers) Περιγραφή: Το προτεινόμενο θέμα διδακτορικών σπουδών αποσκοπεί στη σχεδίαση, υλοποίηση και εφαρμογή τεχνικών απόκτησης (μάθησης) περιορισμών (constraint acquisition) για την υποβοήθηση της μοντελοποίησης προβλημάτων βελτιστοποίησης σε κέντρα δεδομένων (data centers).  Η “απόκτηση περιορισμών” αναφέρεται σε ένα σύνολο μεθόδων μηχανικής μάθησης που μπορούν να χρησιμοποιηθούν για την αυτοματοποιημένη μοντελοποίηση προβλημάτων ικανοποίησης περιορισμών (Constraint Satisfaction Problems – CSPs). Αν και η τεχνολογία των CSPs είναι ιδιαιτέρως επιτυχημένη στην επίλυση πολλών δύσκολων συνδυαστικών προβλημάτων, ένα από τα μειονεκτήματά της είναι ότι απαιτεί εξειδικευμένες γνώσεις από τους χρήστες καθώς είναι απαραίτητο να μπορούν να αποτυπώσουν το πραγματικό πρόβλημα που επιθυμούν να λύσουν ως ένα σύνολο μεταβλητών και περιορισμών. Η απόκτηση περιορισμών απλοποιεί την μοντελοποίηση καθώς την αναγάγει σε μια διαδικασία αλληλεπίδρασης μεταξύ συστήματος και χρήστη όπου το σύστημα υποβάλει παραδείγματα στον χρήστη και αυτός τα κατηγοριοποιεί ως λύσεις ή μη λύσεις. Αν και έχουν προταθεί πολλές σχετικές τεχνικές, δεν έχουν εφαρμοστεί σε πραγματικά συνδυαστικά προβλήματα. Επίσης, οι υπάρχουσες τεχνικές δε μπορούν να χειριστούν προβλήματα βελτιστοποίησης όπου εκτός από τους περιορισμούς πρέπει να μαθευτεί και η αντικειμενική συνάρτηση. Τα κέντρα δεδομένων είναι κατανεμημένα συστήματα διαχείρισης δεδομένων, αποτελούμενα από υβριδικές υπολογιστικές μονάδες (κεντρικές μονάδες επεξεργασίας – CPUs, μονάδες επεξεργασίας γραφικών – GPUs, και επιταχυνόμενες μονάδες επεξεργασίας – APUs). Η υψηλή υπολογιστική ισχύς που προσφέρουν καθιστά τα κέντρα δεδομένων απαραίτητο εργαλείο για το μοντέλο υπολογιστικής νέφους (cloud computing) που πλέον είναι το κυρίαρχο μοντέλο για τη διαχείριση Μεγάλων Δεδομένων (Big Data). Τα κέντρα δεδομένων μπορούν να επεξεργαστούν μεγάλο αριθμό ταυτόχρονων και λογικά ανεξάρτητων αιτημάτων μαζί με τον τεράστιο όγκο δεδομένων που συνοδεύει αυτά τα αιτήματα. Για να επιτευχθεί αυτό, είναι απαραίτητη η επίλυση προβλημάτων βελτιστοποίησης που έχουν κυρίως να κάνουν με την κατανομή των αιτημάτων/εργασιών σε εικονικές μηχανές και την τοποθέτηση των εικονικών μηχανών σε φυσικές μηχανές. Καθώς η διαμόρφωση των κέντρων δεδομένων και οι απαιτήσεις και οι περιορισμοί των εφαρμογών που εξυπηρετούν μπορεί να διαφέρουν δραστικά, τα μοντέλα των προβλημάτων βελτιστοποίησης που προκύπτουν παρουσιάζουν μεγάλη ποικιλία και διαβάθμιση σε βαθμό πολυπλοκότητας. Αυτό δημιουργεί υψηλές απαιτήσεις σε εξειδικευμένες γνώσεις μοντελοποίησης από την πλευρά των διαχειριστών κέντρων δεδομένων, και ως εκ τούτου τεχνικές CSPs σπανίως χρησιμοποιούνται, παρά την μεγάλη τους αποτελεσματικότητα.    Ο βασικός στόχος της διδακτορικής έρευνας είναι η ανάπτυξη ενός εργαλείου απόκτησης περιορισμών που θα μπορεί να χρησιμοποιηθεί από διαχειριστές κέντρων δεδομένων χωρίς εξειδικευμένες γνώσεις σε CSPs για την μοντελοποίηση των προβλημάτων βελτιστοποίησης που αντιμετωπίζουν. Για να επιτευχθεί αυτό, θα πρέπει: Να μελετηθούν και να προσαρμοστούν υπάρχουσες τεχνικές μάθησης περιορισμών ώστε να ανταποκρίνονται στις απαιτήσεις των συγκεκριμένων προβλημάτων βελτιστοποίησης. Να επεκταθούν οι υπάρχουσες μέθοδοι ώστε να μπορούν να μάθουν και αντικειμενικές συναρτήσεις εκτός από μεμονωμένους περιορισμούς. Να γίνουν εκτεταμένες πειραματικές μελέτες με συνθετικά και πραγματικά δεδομένα. Να αναπτυχθεί ένα εργαλείο λογισμικού με την κατάλληλη διεπαφή προς τους χρήστες, το οποίο θα μπορεί να διατεθεί σε διαχειριστές κέντρων δεδομένων για να υποβοηθήσει την διαδικασία μοντελοποίησης προβλημάτων βελτιστοποίησης. Για την διεκπεραίωση της διδακτορικής έρευνας απαιτούνται πολύ καλές γνώσεις προγραμματισμού, αλγορίθμων και δομών δεδομένων, και ισχυρό υπόβαθρο στην Τεχνητή Νοημοσύνη ή/και στην Βελτιστοποίηση. Προθεσμία υποβολής: 14-10-2020 έως 2-11-2020  Οι ενδιαφερόμενοι παρακαλούνται να επικοινωνήσουν ηλεκτρονικά στη διεύθυνση email kstergiou@uowm.gr (υπόψη κ. Στεργίου) για περισσότερες λεπτομέρειες.  

Υποτροφίες για Εκπόνηση Διδακτορικών Διατριβών και Μεταπτυχιακών Εργασιών  Νευρωνικά Δίκτυα του Εγκεφάλου|link Πώς ο εγκέφαλος εκτελεί τους πολύπλοκους υπολογισμούς που μας επιτρέπουν να σκεφτούμε και να αλληλοεπιδράσουμε με το περιβάλλον; Πώς τα δίκτυα από τα κύτταρα του φλοιού συντονίζονται και αλληλο-επιδρούν μεταξύ τους προκειμένουν να επεξεργαστούν τις πληροφορίες; Πώς τα κύτταρα κωδικοποιούν τα διάφορα ερεθίσματα και προωθούν την πληροφορία σε διαφορετικές περιοχές του εγκεφάλου? Σε αυτό το διεπιστημονικό ερευνητικό έργο, που γίνεται σε συνεργασία με την Ιατρική Σχολή του Harvard, θα επικεντρωθούμε στην αναλυση δεδομένων που συλλέχθηκαν απο in vivo πειράματα για τη μελέτη των λειτουργικών δικτύων στον οπτικό φλοιό. Ο κύριος στόχος ειναι η κατανόηση του τρόπου με τον οποίο τα νευρωνικά δίκτυα του οπτικού φλοιού συντονίζονται και αλληλο-επιδρούν μεταξύ τους προκειμένουν να επεξεργάζονται τις πληροφορίες κατά τη διάρκεια της μάθησης. Προαπαιτούμενα  Καλή γνώση βασικών εννοιών στη θεωρία γράφων,  πιθανοτήτων, και στατιστικής ανάλυσης Καλή προγραμματιστική εμπειρία σε περιβάλλον Μatlab ή R ή python Plus: Γνώση αλγορίθμων μηχανικής μάθησης ή/και επεξεργασίας σημάτος ή αναγνώριση προτύπων.     Δεν απαιτούνται γνώσεις βιολογίας ή νευρο-επιστημών, αλλά χρειάζεται να υπάρχει διάθεση για διεπιστημονική έρευνα στον τομέα αυτό.   Για να μπορεί να δοθεί η υποτροφία, ο φοιτητής θα πρέπει να εγγραφεί στο πρόγραμμα μεταπτυχιακών σπουδών του τμήματος Επιστήμης Υπολογιστών και να βρίσκεται στο Ηράκλειο Κρήτης την περίοδο εκπόνησης της εργασίας. Πληροφορίες σχετικά με την υποβολή αιτήσεων στο πρόγραμμα μεταπτυχιακών σπουδών του τμήματος Επιστήμης Υπολογιστών:Η προθεσμία για αυτόν τον κύκλο αιτήσεων είναι 31 Οκτωβρίου.     https://csd.uoc.gr/CSD/index.jsp?custom=admissions&lang=gr Πληροφορίες για το Τμήμα Επιστήμης Υπολογιστών: https://www.csd.uoc.gr/CSD/index.jsp?content=education_goals&openmenu=demoAcc1&lang=gr

ΕΙΔΙΚΕΣ ΕΡΓΑΣΙΕΣ 2020-2021 Μέχρι τη Δευτέρα 19/10 θα αναρτηθεί η ανανεωμένη λίστα Ειδικών Εργασιών για το νέο ακαδημαίκό έτος. Καλούνται οι φοιτητές που ενδιαφέρονται να αναλάβουν Ειδική Εργασία για το 2020-2021, μέχρι και την Παρασκευή 23 Οκτωβρίου: α) Να εγγραφούν στο eclass στο σχετικό μάθημα. β) Να διαβάσουν τον κανονισμό του μαθήματος. γ) Να δηλώσουν, μέσω της λειτουργίας “Μηνύματα” του eclass, τα θέματα (από τα διαθέσιμα) που τους ενδιαφέρουν, με σειρά προτίμησης. Δε χρειάζεται να γίνεται κοινοποίηση των μηνυμάτων στους υπόλοιπους χρήστες. δ) Σε περίπτωση που κάποιος επιθυμεί ένα θέμα που δεν εμφανίζεται στη λίστα με τα προτεινόμενα, θα πρέπει πρώτα σε συνεννόηση με τον αντίστοιχο καθηγητή να αποσταλεί η περιγραφή του θέματος για να ανανεωθεί η λίστα και, στη συνέχεια, να το δηλώσει ο φοιτητής, όπως περιγράφεται στο (γ). Η πρώτη ανάθεση των θεμάτων, η οποία γίνεται ενιαία και όχι από τον κάθε καθηγητή ξεχωριστά, θα ανακοινωθεί μετά τις 23 Οκτωβρίου. Η παραπάνω διαδικασία ακολουθείται και στην περίπτωση ανάληψης Ειδικής Εργασίας σε δεύτερο χρόνο, κατά τη διάρκεια του ακαδημαϊκού έτους.

Χρηματικά Βραβεία Εστίας Ναυτικών https://ece.uowm.gr/uploads/announcements/chrhmatiká_brabeía_estía_naytikón.pdf