<div dir="ltr">The Fourteenth Annual Bayesian Modeling Applications Workshop (BMAW 
2017) will be a one-day workshop held in Sydney, Australia in 
conjunction with the 33rd International Conference on Uncertainty in AI (<a href="http://auai.org/uai2017/index.php" target="_blank">UAI-2017</a>). <br><br>The full Call for Papers is available at <a href="http://bmaw2017.azurewebsites.net/" target="_blank">http://bmaw2017.azurewebsites.<wbr>net/</a>.<br><br>Key dates:<br>Submission: June 30th<br>Notification: July 10th<br>Full paper due: July 28th (Note: also ok to only submit abstract)<div>Workshop: August 15th.</div><div><br></div>Continuing
 a successful tradition as part of the UAI conference, the Fourteenth 
Annual Bayesian Modeling Applications Workshop (BMAW 2017) will provide a
 forum for exchange about real-world problems among applications 
practitioners, tool developers, and researchers. The aim of the workshop
 is to foster discussion on the challenges of building working 
applications of probabilistic methods whilst considering stakeholders, 
user interaction, tools, knowledge elicitation, learning, validation, 
system integration, and deployment.<br><br>The practicality of sharing 
application development experience often comes down to sharing reusable 
software: one is much more likely to add a brick to the wall when she 
doesn’t have to re-make the other bricks. With models more reliant on 
empirical setting of hyperparameters and training schedules, reproducing
 the results can be impossible without access to packaged original code,
 and even full detailed setups including minor details of runtime 
environment. For example, deep learning models are often released in 
full containers or virtual machines.<br><br>Code release is also a 
growing trend in our own community as seen by the growing number of 
presentations on software in past workshops. The R language CRAN 
repository just passed 10,000 packages earlier this year. GitHub now 
contains millions of repositories. Search on most any algorithm, and you
 are likely to find a repository where someone has at least made a first
 attempt at implementing it.<br><br>BMAW 2017 is soliciting submissions 
describing real-world Bayesian applications, with the desire that teams 
will explain what tools they adopted to facilitate their work.<br><br>In
 addition to traditional full-length research papers, shorter abstracts 
proposing a demonstration or tutorial are also welcome. Demonstrations 
are appropriate to describe a probabilistic system or software addresing
 a specific application. Tutorials should introduce novel probabilistic 
software platforms or libraries enabling many applications.<br><br>We 
hope that teams will concurrently release links to the software 
repositories and possibly data from their applications that can be 
reused. Further, we solicit presentations on best practices and tools 
for sharing data, code and models in easily reproducible ways, for 
example, containerizing entire solutions.<br><br>While emphasizing the 
software and reproducibility aspects, we encourage submissions from a 
broad spectrum of new and traditional application topics, with a focus 
on probabilistic approaches, in distinction to the discriminative 
machine learning and neural network methods that have gained popularity 
elsewhere.</div>