SMILES: летняя школа машинного обучения. 2025

Подать заявку

EN

Летняя школа
машинного обучения

дата:
14-27 июля

место:
Харбинский технологический институт, Китай и онлайн

Научный
партнёр

Соорганизатор

Генеральный
партнёр

|SMILES

2025

Зарегистрироваться

о школе

Летняя школа машинного обучения Сколтеха (SMILES-2025) — это 12-дневный интенсивный курс, посвященный генеративным методам в ИИ. Школа организована Сколтехом в сотрудничестве с Харбинским технологическим институтом в Китае. SMILES-2025 пройдет с 14 по 27 июля 2025 года.

В летней школе примут участие 100 человек, и до 300 участников смогут присоединиться онлайн. Все участники получат доступ к современным лекциям, практическим семинарам и хакатонам, направленным на решение реальных отраслевых задач. Цель школы — объединение талантливых молодых исследователей из России и Китая, а также содействие международному сотрудничеству и обмену знаниями. Участники получат практический опыт работы с передовыми технологиями искусственного интеллекта, включая генеративные модели, мультимодальные подходы, большие языковые модели, мультиагентные системы. В SMILES-2025 также входят возможности для профессионального общения и карьерного роста, наставничество от экспертов отрасли и культурная экскурсия.

темы школы 2025

➔ Большие языковые модели

➔ Мультимодальные подходы

➔ Мультиагентные системы

➔ Генеративные подходы

➔ Методы самообучения

➔ Безопасный ИИ

Стоимость:
бесплатно; школа предоставит грант* на перелёт и оплатит проживание
*оплата перелёта в Китай из крупнейших городов России (список уточняется)

Формат:
очно и онлайн

Рабочий язык:
английский

Виза:
для поездки в Китай вам понадобится виза; средняя стоимость — 6,300 рублей; процесс получения визы не займет у вас много времени; организаторы вам помогут при необходимости

Конкурсный отбор:
обязателен как для очного, так и для онлайн-участия

площадка

Летняя школа пройдет на территории компьютерного факультета Харбинского технологического института в Китае

организаторы

Руководитель совместной лаборатории Сколтех-Сбербанк, к.ф.-м.н.

Руководитель Центра искусственного интеллекта (Сколтех), профессор, д.ф.-м.н.

Евгений
Бурнаев

Алексей Зайцев

Пётр
Сокерин

Координатор программы,
Инженер-исследователь, Центр искусственного интеллекта (Сколтех).
Преподаватель программ профессионального образования

Руководитель совместной лаборатории Сколтех-Сбербанк, к.ф.-м.н.

Руководитель Центра искусственного интеллекта (Сколтех), профессор, д.ф.-м.н.

Евгений
Бурнаев

Алексей Зайцев

Пётр
Сокерин

Координатор программы,
Инженер-исследователь, Центр искусственного интеллекта (Сколтех).
Преподаватель программ профессионального образования

спикеры

Александр Коротин

Руководитель исследовательской группы в Центре искусственного интеллекта (Сколтех), научный сотрудник (AIRI), к.ф.-м.н

Андрей Кузнецов

Руководитель лаборатории мультимодального генеративного ИИ, Fusion Brain (AIRI). Один из основателей семейства моделей синтеза изображений и видео Kandinsky, к.т.н.

Руководитель группы «Доверенные и безопасные интеллектуальные системы» AIRI и лаборатории SAIL МТУСИ, старший научный сотрудник (Сколтех), к.ф.-.м.н

Олег
Рогов

Мария
Тихонова

Главный Инженер по разработке SberDevices (Сбер), приглашенный преподаватель, ВШЭ, доктор комп.наук

Cергей Баранников

Ведущий научный сотрудник Центра перспективных исследований Игоря Кричевера (Сколтех), к.м.н. Калифорнийский университет

Профессор Центра искусственного интеллекта (Сколтех), д.ф.-м.н.

Иван
Тюкин

Егор
Швецов

Куратор по проектной деятельности и планированию лекций, руководитель направления Центра искусственного интеллекта (Сколтех)

Ирина Пионтковская

Руководитель команды NLP исследований (RRI)

Главный Инженер по разработке SberDevices (Сбер), приглашенный преподаватель, ВШЭ, доктор комп.наук

Мария
Тихонова

Ирина Пионтковская

Руководитель лаборатории мультимодального генеративного ИИ, Fusion Brain, AIRI. Один из основателей семейства моделей синтеза изображений и видео Kandinsky, к.т.н.

Андрей Кузнецов

Руководитель группы «Доверенные и безопасные интеллектуальные системы» AIRI и лаборатории SAIL МТУСИ, старший научный сотрудник (Сколтех), к.ф.-.м.н

Олег
Рогов

Руководитель команды NLP исследований (RRI)

Ведущий научный сотрудник Центра перспективных исследований Игоря Кричевера (Сколтех), к.м.н. Калифорнийский университет

Сергей Баранников

Иван
Тюкин

Профессор Центра искусственного интеллекта (Сколтех), д.ф.-м.н.

Александр Коротин

Руководитель исследовательской группы в Центре искусственного интеллекта (Сколтех), научный сотрудник (AIRI), к.ф.-м.н

участники

SMILES-2025 предназначена для студентов, аспирантов, начинающих исследователей и энтузиастов искусственного интеллекта из России и Китая, которые активно участвуют в продвижении современного машинного обучения с помощью инновационных исследований и приложений.

порядок отбора

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

постеры

Участники, прошедшие конкурсный отбор, должны подготовить и представить на конференции постер с результатами, описанными в аннотации. Это давняя традиция летних школ: мы хотим познакомить всех участников школы с вашими работами. Только с постером вы получите доступ к SMILES.
➔ (PDF) пример постера из LATEX
➔ (PDF) пример постера из POWERPOINT

форма обучения

обязательные лекции по каждому направлению
практические семинары, в основном, связанные с демонстрацией работы и программированием рассмотренных методов и алгоритмов
объединение в команды по 2–4 человека и реализация одного из предложенных проектов в ходе хакатона
сессия с докладами команд о результатах проектов, реализованных во время летней школы
постерная сессия с представлением результатов научных работ участников летней школы
команды с лучшими проектами будут награждены памятными подарками

расписание

Каждый день вас ждёт 3 лекции или семинара, после чего будет время для работы над проектами или отдыха. Подробное расписание будет опубликовано позже.

20/АПРЕЛЯ

Дедлайн подачи заявок

20/МАЯ

Список принятых участников

14/ИЮЛЯ

НАЧАЛО >>>

партнёры

соорганизатор

генеральный партнёр

научный партнёр

регистрация

Заполните форму ниже, чтобы подать документы на участие в летней школе. Так как язык школы — английский, форма тоже заполняется на нём.

First name

Last name

Middle name

Your email

Age

Country

Place of work

Position

Primary education

Course

Area of study

Degree being pursued

Participation format

Upload your CV

pdf format

Upload your motivation letter

pdf format

Upload your presentation

pdf/pptx format

Link to the video

Mp4/mov/avi/webm format. Upload the video to a cloud drive and don't forget to give us access to view it.

Complete the test

In these problems, the answer may be either an integer or a decimal number. If the answer is a decimal, it should be rounded to one decimal place and written using ONLY a dot as the decimal separator. For example, if the result is 3.14159, the correct answer is 3.1.

Consider a square with a diagonal length of 18. Figure X is obtained from this square by rotations around the point of the intersection of diagonals. A point is uniformly distributed within figure X. Determine the expected Euclidean distance from the point to the point of the intersection of diagonals.

Identify all values of k for which the vector b can be expressed as a linear combination of the vectors a1, a2, a3 where a1 = (2,3,5), a2 = (3,7,8), a3 = (1,−6,1) and b= (7,−2,k). Report the sum of such values as the final answer.

Given a vector of logits z = (1,−2,0.5) compute the entropy of the probability distribution obtained by applying the softmax function to z with a temperature parameter t = 0.5.

In the analysis of server failure data, the time between failures (measured in hours) follows an exponential distribution with parameter λ. Based on historical maintenance records, engineers specify a gamma prior for this parameter with shape parameter α = 3 and scale parameter β = 6. After monitoring the server, failure intervals of [2, 2, 3, 3] hours are recorded. Compute the maximum a posteriori (MAP) estimate of λ.

The probability of rain on Saturday is 0.5, and the probability of rain on Sunday is 0.3. The correlation coefficient between rainfall on Saturday and Sunday is 0.4. Determine the probability that there will be no rainfall on either day over the weekend.

Consider a gradient boosting model trained on a dataset containing five observations. After constructing N trees, the model produces the following predictions for the observations: ŷ = (6,4,2,1,3). The corresponding actual target values are y = (10,5,2,1,2). The objective is to train the (N+1)-th tree using the Mean Squared Logarithmic Error (MSLE) loss function. Compute the sum of the values of the target variable for the (N+1)-th tree.

A color image with dimensions 512×512×3 undergoes processing using two convolutional layers, each with a kernel size of 3×3. The first layer contains 8 filters, while the second layer contains 16 filters. Determine the total number of trainable parameters (including biases) required for these two layers.

Within a text corpus of 1000 documents, the word "artificial" appears 50 times, and the word "intelligence" appears 70 times. The phrase "artificial intelligence" (in this exact order) occurs 30 times. Compute the Pointwise Mutual Information (PMI) for the word pair "artificial intelligence".

A neural network utilizes the Rectified Linear Unit (ReLU) activation function. Given an input vector x = [−2,0,3,−1,5], the ReLU function is applied element-wise, producing a transformed vector. This output is then squared before being passed to the subsequent layer. The loss function is defined as the unbiased variance of the resulting values. Compute the gradient of the loss function with respect to the input vector, and report the sum of all elements of this gradient.

The performance of a binary classification model predicting customer churn (1) or retention (0) is under evaluation. The model's predictions for three customers are (1,0,1), while the actual labels are (1,1,0). To assess the stability of the F1-score, the bootstrap method is employed. Compute the theoretical variance of the bootstrapped F1-score as the number of bootstrap samples approaches infinity. Multiply the obtained value by 100 and report the result.

Anything else we should know?

Consent to the processing of personal data

I agree to the Regulations for the processing of personal data