就在8月份,吳恩達(dá)在他新創(chuàng)建的網(wǎng)站 deeplearning.ai 發(fā)布了一系列主題為“ The Heros in Deep Learning ”的訪談視頻。吳恩達(dá)面對(duì)面采訪了七位大神,熱心人士整理了這七位大神的基本情況,這里匯總了一下,拿出來(lái)供大家學(xué)習(xí)!
Geoffrey Hinton
Geoffrey Hinton 是一位在英國(guó)出生的計(jì)算機(jī)學(xué)家,其在神經(jīng)網(wǎng)絡(luò)方面的貢獻(xiàn)起到了奠基作用,因?yàn)楸环Q為“神經(jīng)網(wǎng)絡(luò)之父”,他是第一批使用廣義反向傳播算法研究人員之一。Geoffrey Hinton 是反向傳播算法和對(duì)比散度算法的發(fā)明人之一,也是深度學(xué)習(xí)的有力推動(dòng)者,目前供職于多倫多大學(xué)與 Google。作為人工智能領(lǐng)域的奠基人之一,截止到 2016 年 11 月,Geoffrey Hinton 的署名文章報(bào)告共計(jì)超過(guò)300 篇。盡管如此,他經(jīng)歷了人工智能的衰落期,甚至連導(dǎo)師都不看好,但他一直對(duì)神經(jīng)網(wǎng)絡(luò)保持信心,終于在漫長(zhǎng)的黑夜過(guò)后,直到計(jì)算機(jī)的性能達(dá)到深度學(xué)習(xí)的要求,Geoffrey Hinton 才開始在學(xué)術(shù)界以外得到自己應(yīng)得的廣泛認(rèn)可,迎來(lái)了人工智能的黎明。
Ian Goodfellow
Ian Goodfellow 是 Google 研究員,與他人合著了《Deep Learning》 教科書,該書在github上有正版電子書。他最受矚目的成就是他提出了生成對(duì)抗網(wǎng)絡(luò) ( GAN ),從提出以后一直是熱門的課題。因此被譽(yù)為“ GANs 之父”,F(xiàn)acebook AI 研究主管 Yann LeCun 稱 GAN 是“過(guò)去 20 年來(lái)深度學(xué)習(xí)方面最酷的想法”。 Ian Goodfellow 被推舉為人工智能領(lǐng)域的頂級(jí)專家。
Yoshua Bengio
Yoshua Bengio 是 微軟人工智能研究戰(zhàn)略顧問(wèn)、蒙特利爾大學(xué)計(jì)算機(jī)科學(xué)與運(yùn)籌學(xué)系(DIRO)教授、蒙特利爾學(xué)習(xí)算法研究所(MILA)負(fù)責(zé)人、CIFAR 項(xiàng)目的共同負(fù)責(zé)人、加拿大統(tǒng)計(jì)學(xué)習(xí)算法研究主席。Yoshua Bengio 教授是深度學(xué)習(xí)領(lǐng)域的奠基人之一,也是經(jīng)典圖書《Learning Deep Architectures for AI》的作者。Yoshua Bengio 與 Geoff Hinton 以及 Yann LeCun 教授一起引領(lǐng)了 2006 年始的深度學(xué)習(xí)復(fù)興。他的研究工作主要聚焦在高級(jí)機(jī)器學(xué)習(xí)方面,致力于用其解決人工智能問(wèn)題。目前他是僅存的幾個(gè)仍然全身心投入在學(xué)術(shù)界的深度學(xué)習(xí)教授之一!
Andrej Karpathy
Andrej Karpathy 讀博期間師從現(xiàn)任谷歌首席科學(xué)家李飛飛,研究卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理上的應(yīng)用,以及在這兩個(gè)領(lǐng)域的交叉應(yīng)用。他被人們廣泛所知是由于他和李飛飛一起設(shè)計(jì)開發(fā)了“用于視覺(jué)識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)”(CS231n)課程,并親自教授,是斯坦福大學(xué)廣受歡迎的深度學(xué)習(xí)課程之一。此外,他還是特斯拉的AI首次專家,特斯拉為人所知的自動(dòng)駕駛就是由他主導(dǎo)的!
Pieter Abbeel
Pieter Abbeel的導(dǎo)師是 Andrew Ng。主要研究將深度強(qiáng)化學(xué)習(xí)應(yīng)用到機(jī)器人上。2008 年在加州大學(xué)伯克利分校擔(dān)任電氣工程和計(jì)算機(jī)科學(xué)系擔(dān)任教授。Pieter Abbeel 是用深度強(qiáng)化學(xué)習(xí)做運(yùn)動(dòng)規(guī)劃的領(lǐng)軍人物,過(guò)去 15 年, Pieter Abbeel 一直在尋找讓機(jī)器人學(xué)習(xí)的方法。2010 年他和他的學(xué)生對(duì) BRETT(Berkeley Robot for the Elimination of Tedious Tasks,用于解決繁雜任務(wù)的伯克利機(jī)器人)進(jìn)行了編程,使其可以拿起不同大小的毛巾、弄清楚它們的形狀并將它們整齊疊好。
Ruslan Salakhutdinov
Ruslan Salakhutdinov師從 Geoffrey Hinton,研究的領(lǐng)域主要包括深度學(xué)習(xí)、概率圖譜模型以及大規(guī)模優(yōu)化等。Ruslan Salakhutdinov 2011 年在多倫多大學(xué)擔(dān)任助理教授,2016 年 2 月轉(zhuǎn)到卡內(nèi)基梅隆大學(xué)擔(dān)任副教授。同年,出任蘋果人工智能研究院首任總監(jiān).006 年 7 月,Ruslan Salakhutdinov 作為第二作者,與作為第一作者的導(dǎo)師 Geoffrey Hinton 在 Nature 雜志上合作發(fā)表了論文《用 NN 實(shí)現(xiàn)數(shù)據(jù)的降維》(Reducing the Dimensionality of Data with Neural Networks),這篇論文提出了通過(guò)最小化函數(shù)集對(duì)訓(xùn)練集數(shù)據(jù)的重構(gòu)誤差,自適應(yīng)地編解碼訓(xùn)練數(shù)據(jù)的算法 deep autoencoder,作為非線性降維方法在圖像和文本降維實(shí)驗(yàn)中明顯優(yōu)于傳統(tǒng)方法,證明了深度學(xué)習(xí)方法的正確性,引起了整個(gè)學(xué)術(shù)界對(duì)深度學(xué)習(xí)的興趣,才有了近十年來(lái)深度學(xué)習(xí)研究的突飛猛進(jìn)和突破。
Yann LeCun
吳恩達(dá)并沒(méi)有采訪到 Yann LeCun,但這位大神在深度學(xué)習(xí)領(lǐng)域的地位不容小覷,他號(hào)稱“卷積網(wǎng)絡(luò)神經(jīng)之父”,師從 Geoffrey Hinton。于 1988 年加入位于新澤西州的 AT&T 貝爾實(shí)驗(yàn)室,1993 年研發(fā)了一套能夠識(shí)別手寫數(shù)字的識(shí)別系統(tǒng),命名為 LeNet ,被全世界多家銀行用于識(shí)別支票。1996 年他成為圖像處理研究部的主任,2003 年加入紐約大學(xué)任教。2013 年,他被 Facebook 聘請(qǐng)為人工智能實(shí)驗(yàn)室(FAIR)主任,專注于一個(gè)獨(dú)特的目標(biāo),即開發(fā)具有與人類同等智能水平的電腦。同時(shí),仍在紐約大學(xué)擔(dān)任教授。1989 年,Yann LeCun 在貝爾實(shí)驗(yàn)室提出了卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetwork,CNN)技術(shù),發(fā)表了論文《反向傳播算法應(yīng)用于手寫郵政編碼識(shí)別》(Backpropagation Applied to Handwritten Zip Code),并展示如何使用它來(lái)大幅度提高手寫識(shí)別能力,因此被譽(yù)為“卷積神經(jīng)網(wǎng)絡(luò)之父”。卷積神經(jīng)網(wǎng)絡(luò)是近年發(fā)展起來(lái)的一種高效識(shí)別方法。神經(jīng)網(wǎng)絡(luò)正在迅速改變互聯(lián)網(wǎng)最大的參與者,包括 Google、Facebook、Microsoft。
-
人工智能
+關(guān)注
關(guān)注
1789文章
46364瀏覽量
236536 -
深度學(xué)習(xí)
+關(guān)注
關(guān)注
73文章
5439瀏覽量
120794 -
吳恩達(dá)
+關(guān)注
關(guān)注
0文章
26瀏覽量
7067
原文標(biāo)題:微博 Qzone 微信 吳恩達(dá)眼中的 Deep Learning七劍客
文章出處:【微信號(hào):eetop-1,微信公眾號(hào):EETOP】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論