Зимова школа How to run an effective machine learning research 2022

Зимова школа з практик організації досліджень в галузі машинного навчання (“How to run an effective machine learning research”) організовується вперше факультетом прикладних наук УКУ у партнерстві з AI House. Школа відбудеться 26-30 січня 2022 року у Київському Центрі УКУ, м. Київ.

Метою школи є надання практичних знань та навичок з організації та ведення індустріальних досліджень з машинного навчання. Аудиторією школи є фахівці з Machine Learning / Data Science, які мають практичний досвід у комерційних проєктах ML від одного року, розуміють важливість експериментів та прототипування, але не мають досвіду розбудови та використання дослідницької методології та інфраструктури. За результатами навчання на школі учасники будуть знати як ефективно шукати та опрацьовувати наукові статті, організовувати та обліковувати експерименти, шукати та збирати датасети для тренування ML моделей.

Викладачами школи є науковці та практики Machine Learning з досвідом проведення досліджень та відтворення SOTA результатів.

Теми школи

  • Що таке дослідження? Академічний та індустріальний підходи до досліджень — в чому різниця?
  • Де та як шукати інформацію про нові наукові/дослідницькі результати? Як ефективно працювати з arxiv?
  • Як швидко та ефективно читати наукові статті?
  • Як відтворювати результати наукових статей? Кращі практики та рекомендації
  • Як шукати датасети для експериментів? Як синтезувати власний датасет?
  • Інструменти Reproducible Data Science
  • Як організувати проведення та накопичення експериментів?

Практична частина

Метою практики є проходження всіх етапів реалізації PoC дослідницького інженерного проєкту. Учасникам будуть запропоновані 3-4 проєкти на вибір з різних галузей (CV, NLP, …) За кожним проєктом буде закріплений ментор, який буде надавати консультації учасникам.

Етапи проєктної роботи:

  1. Пошук підходів та статей під проблему.
  2. Запуск програмного коду зі знайдених статей.
  3. Пошук тестового набору даних.
  4. Підготовка експериментів, отримання результатів.
  5. Пошук підходів до покращення.

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.

AI House

Контактна інформація

У разі виникнення питань щодо формату проведення школи, умови участі, реєстрації та відбору учасників просимо звертатися на e-mail адресу [email protected].