Потенциональным участникам необходимо предоставить следующий комплект документов и пройти небольшой тест:
➔ резюме
Описание вашего уровня образования, участия в научной работе, научных мероприятиях и преподавательской деятельности. Достижения: опубликованные статьи, релевантный опыт работы, интересующие темы, темы дипломных работ с указанием места выпуска. Навыки работы с инструментами ML/DL. 1-2 страницы.
➔ мотивационное письмо
Объем до 1000 слов, в которых необходимо раскрыть: мотивацию участия в школе, опыт работы с инструментами ML/DL, если таковой имеется, ожидания от школы и карьерные планы.
➔ Тест с 10 вопросами по актуальному математическому анализу, статистике, машинному обучению и глубокому обучению;
➔ Обзорная презентация: слайды (pdf) + видеозапись (mp4/avi/mov/webm). Видеозапись даст вам дополнительные баллы при отборе, но является необязательным пунктом.
Есть три возможных варианта обзора:
- Описание вашего собственного исследования в области ML/DL
- Воспроизведение результатов статьи по одной из тем школы за последние 5 лет. Добавление идей по улучшению будет считаться дополнительным плюсом к вашей заявке.
- Обзор как минимум 3 статей по одной из школьных тем
Видео должно длиться 5-10 минут; убедитесь, что на нем присутствуют ваше лицо, голос и слайды. Загрузите видео на облачный диск и не забудьте предоставить нам доступ к его просмотру.
Требования к рецензированию
Статьи для рецензирования и воспроизведения должны быть с конференций уровня A* (NeurIPS, ICML, CVPR и др.).
Презентация должна включать:
- Вступление
- Формулировка проблемы
- Методы
- Аналитическая таблица
- Ссылка на репозиторий при воспроизведении статьи
Требования к аналитической таблице:
- Анализ тенденций по выбранной теме за последние 5 лет на основе статей, патентов и открытых источников (NeurIPS, CVPR и т.д.)
- Сравнение датасетов (размер, предметная область, предварительная обработка) и обоснование их выбора
- Метрики с объяснением того, почему одни показатели используются чаще, чем другие, и какие проблемы у них есть
- Анализ моделей SOTA: анализ эффективности при решении различных задач, сложности внедрения
- Сравнение реализаций в репозиториях (Hugging Face, GitHub, Papers with Code): плюсы и минусы, сложности настройки
- В качестве примера можно использовать первую таблицу из статьи