Зареєструватися
Контактна інформація
Важливі факти

Дати проведення школи: 26-30 січня 2022
Завершення реєстрації: 22 грудня 2021
Оголошення результатів відбору: 29 грудня 2021
Формат школи: наживо, повний день
Місце проведення: Київський Центр УКУ
Мови викладання: українська, англійська

- Практичний досвід в Machine Learning
- Знання основних фреймворків Deep Learning
- Досвід (від року) у комерційних проєктах ML
- Розуміння важливості досліджень та прототипування
Викладачі школи
Умови участі та відбір учасників
Участь у школі є безкоштовною. Кандидати повинні подати заявку на участь через реєстраційну форму. Кінцевий термін реєстрації — 22 грудня, 23:59 EET. Рішення про участь приймається після розгляду всіх заявок кандидатів. Під час розгляду заявок організаційний комітет враховує наступні критерії: мотивація кандидатів (навіщо кандидату ця школа? що він/вона очікує отримати від неї), попередній досвід та досягнення у Machine Learning (освітній, професійний; які проєкти були виконані).
Рішення організаційного комітету щодо відбору учасників буде надіслано персональними листами кандидатам на e-mail адресу вказану при реєстрації не пізніше 29 грудня.
Сертифікати та кредити
В разі успішного проходження освітньої програми школи (відвідування не менше 80% занять та виконання практичної частини у повному обсязі) учасники отримують сертифікат від Українського Католицького Університету. За проходження школи нараховується 3 навчальні кредити ECTS, які учасники, якщо вони є студентами університетів, можуть зарахувати у своєму рідному навчальному закладі.
Партнери зимової школи
Зимова школа How to run an effective machine learning research організована у партнерстві з AI House та за підтримки Weights&Biases.
AI House — це перша в Україні екосистема штучного інтелекту й машинного навчання для молоді та професіоналів. Мета AI House — надавати актуальну AI освіту й створити спільноту, де таланти, експерти та люди з ідеями знаходять один одного — для обміну досвідом та створення технологічних бізнесів.
Weights & Biases допомагає вашим ML-командам розширити їх продуктивність через оптимізацію, візуалізацію, співпрацю та стандартизацію моделей та пайплайнів даних незалежно від фреймворку, робочого середовища та робочих процесів. За допомогою сервісів Weights & Biases інженери та розробники можуть робити свої моделі відтворюваними: від гіперпараметрів та коду до ваг моделей та версій датасетів.
Контактна інформація
У разі виникнення питань щодо формату проведення школи, умови участі, реєстрації та відбору учасників просимо звертатися на e-mail адресу [email protected].