Τμήμα Επιστήμης & Μηχανικής Υλικών
Θέση εργασίας στην εταιρεία “MOBIAK”
09 Ιουλίου 2023
Ο Όμιλος ΜΟΒΙΑΚ επιθυμεί την άμεση πρόσληψη δυναμικού ατόμου, στο πλαίσιο ανάπτυξης και ενδυνάμωσης του τμήματος Διασφάλισης Ποιότητας Πυροσβεστικού εξοπλισμού, στις κεντρικές εγκαταστάσεις της εταιρείας (Καθιανά Ακρωτηρίου, Χανιά)
Περισσότερες πληροφορίεςΘέση εργασίας στην εταιρεία “Λάλιζας”
09 Ιουλίου 2023
Έχει εκδηλωθεί ενδιαφέρον από την εταιρεία "Λάλιζας" για συνεργασία με κάποιο απόφοιτο ή μεταπτυχιακό φοιτητή από το τμήμα της Επιστήμης των Υλικών. Περισσότερες πληροφορίες στο link.ΣΤΕΓΑΣΤΙΚΟ ΕΠΙΔΟΜΑ 2022-2023
30 Ιουνίου 2023
Οι ηλεκτρονικές αιτήσεις για τη χορήγηση του Στεγαστικού Επιδόματος που αφορούν στο ακαδημαϊκό έτος 2022-2023, θα υποβάλλονται ηλεκτρονικά
από σήμερα Παρασκευή 30 Ιουνίου 2023 έως την Πέμπτη 3 Αυγούστου 2023,
μέσω της ιστοσελίδας του Υπουργείου Παιδείας και Θρησκευμάτων: https://stegastiko.minedu.gov.gr, στην ειδική εφαρμογή στεγαστικού επιδόματος.
Ιδιαίτερα και επειδή παρουσιάζονται πολλά προβλήματα στις αιτήσεις των Κυπρίων φοιτητών μας, η Φοιτητική Μέριμνα συνέταξε πίνακα με το σύνολο των δικαιολογητικών που θα χρειαστεί να υποβληθούν στην Υπηρεσία (ηλεκτρονικά πάντα) ως συμπληρωματικά έγγραφα στην αίτησή τους εφόσον αυτό τους ζητηθεί από το Σύστημα Υποβολής Αιτήσεων Στεγαστικού Επιδόματος 2022-2023.
Δείτε την φετινή Υπουργική Εγκύκλιο για το Στεγαστικό επίδομα ακαδημαϊκού έτους 2022-2023, καθώς και τις οδηγίες για τους Κυπρίους φοιτητές.
Επισημαίνουμε τέλος ότι σχετική Ανακοίνωση έχει αναρτηθεί στην ιστοσελίδα της Φοιτητικής Μέριμνας https://www.merimna.uoc.gr/index.php/el/anakoinwseis/872-xorigisi-stegastikoy-epidomatos-akadimaikoy-etous-2022-23 και έχει αποσταλεί και στα News.
Δήλωση Προσθήκης Μαθημάτων και Αίτηση για Αναβαθμολόγηση
29 Ιουνίου 2023
Η Δήλωση Προσθήκης Μαθημάτων αφορά μαθήματα, του Τμήματος μας, που έχουν δηλωθεί τα προηγούμενα Ακ. Έτη, τα οποία δεν έχουν προβιβάσιμο βαθμό και δεν έχουν δηλωθεί στο τρέχον ακαδημαϊκό έτος. Το πληροφοριακό σύστημα θα είναι ανοιχτό από 1 έως 20 Ιουλίου 2023.
Η «Δήλωση Προσθήκης Μαθημάτων» ΔΕΝ ΑΦΟΡΑ ΤΟΥΣ ΠΡΩΤΟΕΤΕΙΣ ΦΟΙΤΗΤΕΣ.
Η Αίτηση για «αναβαθμολόγηση μαθήματος» αφορά ΜΟΝΟ τα μαθήματα που έχετε περάσει στην εξεταστική του χειμερινού και την εξεταστική του εαρινού εξαμήνου του τρέχοντος ακαδημαϊκού έτους (2022-2023). Αίτηση μπορείτε να καταθέσετε στη γραμματεία με φυσική παρουσία ή ηλεκτρονικά μέσω του ιδρυματικού τους email, στο secretariat@materials.uoc.gr, συμπληρώνοντας το σχετικό έντυπο αίτησης (.docx, .pdf) από 1 έως 20 Ιουλίου.
Σας τονίζουμε ότι το πλήθος των προσθηκών από προηγούμενα έτη καθώς και των αναβαθμολογήσεων του τρέχοντος έτους, συνολικά δε μπορεί να υπερβαίνει τα 8 μαθήματα.
Αποτελέσματα χορήγησης υποτροφιών ΑΔΜΗΕ ακαδημαϊκού έτους 2022-23
29 Ιουνίου 2023
Δείτε τη σχετική απόφαση της Κοσμητείας.ΥΠΟΒΟΛΗ ΑΙΤΗΣΕΩΝ ΓΙΑ ΣΙΤΙΣΗ ΚΑΙ ΣΤΕΓΑΣΗ (παράταση προθεσμίας)
27 Ιουνίου 2023
Αποτελέσματα υποτροφιών “Εμμανουήλ Σακλαμπάνη” για το ακαδ. έτος 2021-22
27 Ιουνίου 2023
Δείτε τα αποτελέσματα.Αποτελέσματα υποτροφιών “Χρυσάνθου και Αναστασίας Καρύδη” για το ακαδ. έτος 2021-22
27 Ιουνίου 2023
Δείτε τα αποτελέσματα.Αποτελέσματα υποτροφίας “Μαρία Μανασσάκη” για το ακαδ. έτος 2021-22
27 Ιουνίου 2023
Δείτε το αποτέλεσμα.ΠΑΡΟΥΣΙΑΣΗ ΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ της κ. Νικολέτας Ερλάνο
23 Ιουνίου 2023
Θα πραγματοποιηθεί την
Πέμπτη 29/06/2023 και ώρα 12:00
στην αίθουσα Α2 του Κτιρίου Τμήματος Επιστήμης Υπολογιστών
Θέμα Διπλωματικής:
«Machine Learning Models for Heterogeneous Catalysis Data»
Διμελής Επιτροπή: Ιωάννης Ρεμεδιάκης, Γεώργιος Κοπιδάκης
Abstract: Machine learning (ML) has become a promising approach to predict and optimize catalytic systems in recent years. By using ML models, researchers can rapidly screen and identify the most effective catalysts and reaction conditions, reducing the time and cost required for experimental trials. One of the main challenges in catalysis research is the complexity of the reaction mechanisms involved. ML algorithms can be used to extract useful insights from large and complex datasets, which can be used to identify key factors affecting catalytic performance. The objective of this work is to develop ML models specifically designed for predicting adsorption energies of density functional theory (DFT) calculations. The study involves the collection and integration of diverse data sources, including DFT calculations and elemental properties, to construct a robust dataset. Three prominent regression models, namely linear regression, support vector regression, and random forest regression, are employed to model the relationship between the input features and the adsorption energies. Overall, ML has great potential in catalysis research, and it is expected to play a significant role in the development of new catalytic materials and processes in the future. The application of ML models in catalysis data analysis can lead to a more efficient and sustainable chemical industry, with reduced environmental impact and improved economic benefits.