00:15:00 在本节中,Geoffrey Hinton 讨论了符号 AI 的问题以及深度学习的当前形式如何解决该问题。符号 AI 的传统观点假设中间也使用输入和输出中使用的相同类型的符号,而深度学习专家使用神经活动向量来处理数据。输入文本被编码成一个向量,该向量包含网络学习到的特征。然后解码器网络采用这个向量并产生思想,然后将其转化为一种新的语言。有趣的是,这样的系统在不引入太多语言知识的情况下工作得更好。相反,谷歌翻译使用由 32,000 个语言片段组成的固定字母表,并通过反向传播训练网络,它从随机权重和数据量开始,以不断提高权重。
在接受 Andrew Ng 采访时,Ian Goodfellow 谈到了他对深度学习的热情以及他在斯坦福大学学习期间如何对该领域产生兴趣。 Goodfellow 讨论了他发明的生成对抗网络 (GAN) 及其在深度学习中的潜力,同时还强调了让 GAN 更加可靠的必要性。他回顾了多年来他对人工智能和深度学习的看法是如何演变的,从简单地让技术用于人工智能相关任务,到探索深度学习模型的全部潜力。 Goodfellow 还为那些想涉足 AI 的人分享了一些建议,指出从一开始就编写好的代码并在机器学习算法中构建安全性至关重要。
00:00:00 在本节中,Ian Goodfellow 讨论了他如何对 AI 和深度学习领域产生兴趣,这要归功于他在斯坦福大学的本科生导师和 Andrew Ng 的互联网 AI 课程。他解释了他和一位朋友如何在斯坦福构建了第一台基于 GPU CUDA 的机器,以及这如何使他产生强烈的直觉,即深度学习是未来的发展方向。 Goodfellow 继续谈论他发明的 GAN,以及他在研究生成模型时是如何想出这个概念的。最后,他回顾了一次个人经历,重申了他对人工智能研究的承诺。
00:05:00 在本节中,Ian Goodfellow 讨论了生成对抗网络 (GAN) 的潜力及其在深度学习中的未来。他解释说,虽然 GAN 目前被用于各种任务,但它们往往不可靠,而稳定它们是他研究的主要重点。 Goodfellow 认为,虽然 GAN 现在很重要,但如果不提高它们的可靠性,它们最终将被其他形式的生成模型所取代。他还讨论了他与人合着第一本深度学习教科书的经历,并强调理解基本数学原理对于掌握该领域的重要性。最后,Goodfellow 回顾了多年来他对 AI 和深度学习的思考是如何演变的,从简单地让技术用于 AI 相关任务,到探索深度学习模型的全部潜力。
00:10:00 在本节中,Ian Goodfellow 讨论了深度学习的发展以及 AI 中存在的众多路径。他为那些想涉足 AI 的人分享了一些建议,指出编写好的代码并将其放在 GitHub 上可以获得关注,并且在阅读书籍的同时从事一个项目可能会有所帮助。他还谈到了从一开始就将安全性构建到机器学习算法中的重要性,而不是稍后添加。这些措施将确保算法的安全,并防止以后出现安全问题。
在接受 Andrew Ng 采访时,Andrej Karpathy 通过与 Geoff Hinton 一起上课讨论了他对深度学习的介绍,以及他如何成为 ImageNet 图像分类竞赛的人类基准。当软件深度网络超越他的表现时,他谈到了令人惊讶的结果,并决定通过创建在线课程将其传授给其他人。 Karpathy 还讨论了 AI 的未来,以及该领域可能如何分裂成两条轨迹:应用 AI 和 AGI。他建议那些想进入深度学习领域的人通过从头开始实施一切来建立对整个堆栈的全面理解。
Apple 人工智能研究总监 Ruslan Salakhutdinov 讨论了深度学习的演变、训练生成模型和无监督学习的挑战,以及深度学习研究中激动人心的前沿。他还鼓励研究人员探索不同的方法,不要害怕创新。Salakhutdinov 强调了构建基于对话的系统和能够智能阅读文本的系统的重要性,以及实现更像人类学习能力的最终目标。
00:00:00 在本节中,Ruslan Salakhutdinov 讨论了他是如何开始深度学习的,首先是与 Jeff Hinton 的一次偶然会面,后者向他介绍了使用限制性玻尔兹曼机和监督训练的概念。在 Hinton 的帮助和指导下,Salakhutdinov 与人合着了第一篇关于受限玻尔兹曼机的论文,这有助于推动神经网络和深度学习的复兴。然而,随着计算能力的提高,研究人员意识到不需要使用限制性玻尔兹曼机进行预训练,并且能够使用传统的优化技术直接训练深度模型。
00:10:00 在本节中,Apple 人工智能研究总监 Ruslan Salakhutdinov 讨论了在机器学习中利用大量未标记数据的挑战,以及对希望进入该领域的人的建议。他鼓励研究人员尝试不同的方法并且不要害怕创新,并举了一个例子来说明他和他的团队如何解决优化神经网络中高度非凸系统的难题。 Salakhutdinov 还讨论了攻读博士学位与加入深度学习领域公司的利弊,强调学术界和工业界都为研究和开发提供了令人兴奋的机会。
00:15:00 在本节中,Ruslan Salakhutdinov 讨论了深度学习研究中激动人心的前沿领域,特别是在深度强化学习、推理和自然语言理解以及能够从更少的示例中学习等领域。他指出,在虚拟世界中训练 AI 已经取得了很大进展,现在的挑战在于扩展这些系统、开发新算法以及让 AI 代理相互通信。此外,他还强调了构建基于对话的系统和能够智能阅读文本的系统的重要性。最后,他提到了实现更像人类学习能力的目标。
Andrew Ng 采访了 Yoshua Bengio,他们讨论了与深度学习相关的各种话题。 Bengio 讲述了他是如何进入深度学习的,以及他对神经网络的思考是如何演变的。他还讨论了他在为单词序列开发单词嵌入和使用自动编码器堆栈进行深度学习方面的贡献。此外,Bengio 还强调了无监督学习的重要性以及他对理解深度学习与大脑之间关系的兴趣。Bengio 强调了理解深度学习科学和适当研究以应对重大挑战的必要性。最后,他们关注深度学习职业需要扎实的数学基础知识以及继续教育的重要性。
Pieter Abbeel 在接受 Andrew Ng 采访时讨论了深度强化学习的挑战和潜力。他指出需要在探索、信用分配和生成负面示例方面进行进一步的工作。Abbeel 还强调了安全问题以及在教机器人自主生活时收集安全学习数据的重要性。他建议个人使用流行的框架进行实践实践,并建议接受经验丰富的专业人士指导的好处。此外,他建议需要强化学习来为机器提供成就目标,并指出在添加强化学习组件之前进行行为克隆和监督学习的重要性。
00:05:00 在采访的这一部分,Pieter Abbeel 讨论了教机器人或软件代理自主生活的挑战,指出安全带来了一系列问题,包括安全学习数据的收集。他还分享了他对积极探索和加强学习算法以提出可以在未来取代人类设计的更有效机制的兴奋。最后,他为那些追求人工智能职业的人提供了建议,强调该领域提供了巨大的就业机会,并建议使用在线学习材料,例如 Andrew Ng 和伯克利的深度学习课程作为入门课程。
Geoffrey Hinton 和 Yann LeCun,2018 ACM AM 图灵奖演讲“深度学习革命”
Geoffrey Hinton 和 Yann LeCun,2018 ACM AM 图灵奖演讲“深度学习革命”
Geoffrey Hinton 和 Yann LeCun 获得 2018 ACM AM 图灵奖,并就深度学习革命发表演讲。在讲座中,他们讨论了深度学习如何彻底改变了计算机科学,以及它如何用于造福生活的各个方面。他们还谈到了深度学习的挑战和该领域的未来。他们指出,虽然对深度学习的理论理解很重要,但在复杂情况下做出决定仍然取决于人类。他们还讨论了进化计算和其他形式的人工智能在自动驾驶中的潜力。
这位加拿大天才创造了现代人工智能
这位加拿大天才创造了现代人工智能
人工智能先驱杰夫·辛顿 (Geoff Hinton) 近 40 年来一直致力于让计算机像人类一样学习,他彻底改变了人工智能领域。 Hinton 的灵感来自弗兰克·罗森布拉特 (Frank Rosenblatt) 的感知器,这是一种模仿大脑的神经网络,开发于 1950 年代。 Hinton 的决心导致了 AI 领域的突破。在 80 年代中期,Hinton 和他的合作者创建了一个多层神经网络,一个深度神经网络,它开始以多种方式工作。然而,他们缺乏必要的数据和计算能力,直到 2006 年左右,当时超快的芯片和互联网上产生的海量数据给了 Hinton 的算法神奇的助力——计算机可以识别图像中的内容、识别语音和翻译语言。到 2012 年,加拿大成为人工智能超级大国,神经网络和机器学习登上了《纽约时报》的头版。
Geoffrey Hinton:深度学习的基础
Geoffrey Hinton:深度学习的基础
人工智能教父 Geoffrey Hinton 概述了深度学习的基础。在本次演讲中,Hinton 详细介绍了神经网络在语音和物体识别、图像分割以及阅读或生成自然书面语言方面的进展。
Geoffrey Hinton 讨论了深度学习的基础,特别是反向传播算法及其演变。 Hinton 解释了深度学习如何影响早期手写识别并最终赢得 2012 年 ImageNet 竞赛。他还强调了使用神经活动向量的深度学习优于在输入、输出和中间使用相同符号的传统符号 AI。讨论了机器翻译系统、图像识别及其自然推理组合的改进,以及深度学习在解释医学图像方面的潜力。 Hinton 最后强调需要参数与人脑相当的神经网络来实现真正的自然语言处理。
深度学习英雄:吴恩达采访 Geoffrey Hinton
深度学习英雄:吴恩达采访 Geoffrey Hinton
深度学习领域的领军人物 Geoffrey Hinton 在接受 Andrew Ng 采访时讨论了他的旅程和对该领域的贡献。他谈到了词嵌入的起源、受限玻尔兹曼机的发展,以及他最近在快速权重和胶囊方面的工作。 Hinton 指出了无监督学习在深度学习进步中的关键作用,并建议学习者广泛阅读、从事大型项目并寻找具有相似兴趣的顾问。 Hinton 认为计算领域正在发生重大变化,计算机通过展示来学习,并警告说大学必须赶上行业,为这种新方法培训研究人员。
深度学习英雄:吴恩达采访 Yann LeCun
深度学习英雄:吴恩达采访 Yann LeCun
在 Andrew Ng 和 Yann LeCun 的这次采访中,LeCun 讨论了他早期对人工智能和神经网络发现的兴趣。他还介绍了他在卷积神经网络方面的工作以及 CNN 背后的历史。LeCun 谈到了他是如何坚持该领域的,尽管他在 90 年代中期对神经网络缺乏兴趣,最终他在 CNN 方面的工作接管了计算机视觉领域。他还讨论了 AlexNet 团队赢得 2012 年 ImageNet 竞赛时计算机视觉的决定性时刻,并建议那些想从事 AI 和机器学习职业的人通过为开源项目做出贡献或实施算法来发挥自己的作用。
深度学习英雄:吴恩达采访 Ian Goodfellow
深度学习英雄:吴恩达采访 Ian Goodfellow
在接受 Andrew Ng 采访时,Ian Goodfellow 谈到了他对深度学习的热情以及他在斯坦福大学学习期间如何对该领域产生兴趣。 Goodfellow 讨论了他发明的生成对抗网络 (GAN) 及其在深度学习中的潜力,同时还强调了让 GAN 更加可靠的必要性。他回顾了多年来他对人工智能和深度学习的看法是如何演变的,从简单地让技术用于人工智能相关任务,到探索深度学习模型的全部潜力。 Goodfellow 还为那些想涉足 AI 的人分享了一些建议,指出从一开始就编写好的代码并在机器学习算法中构建安全性至关重要。
深度学习英雄:Andrew Ng 采访 Andrej Karpathy
深度学习英雄:Andrew Ng 采访 Andrej Karpathy
在接受 Andrew Ng 采访时,Andrej Karpathy 通过与 Geoff Hinton 一起上课讨论了他对深度学习的介绍,以及他如何成为 ImageNet 图像分类竞赛的人类基准。当软件深度网络超越他的表现时,他谈到了令人惊讶的结果,并决定通过创建在线课程将其传授给其他人。 Karpathy 还讨论了 AI 的未来,以及该领域可能如何分裂成两条轨迹:应用 AI 和 AGI。他建议那些想进入深度学习领域的人通过从头开始实施一切来建立对整个堆栈的全面理解。
深度学习英雄:吴恩达采访 Apple 人工智能研究总监 Ruslan Salakhutdinov
深度学习英雄:吴恩达采访 Apple 人工智能研究总监 Ruslan Salakhutdinov
Apple 人工智能研究总监 Ruslan Salakhutdinov 讨论了深度学习的演变、训练生成模型和无监督学习的挑战,以及深度学习研究中激动人心的前沿。他还鼓励研究人员探索不同的方法,不要害怕创新。Salakhutdinov 强调了构建基于对话的系统和能够智能阅读文本的系统的重要性,以及实现更像人类学习能力的最终目标。
深度学习英雄:吴恩达采访 Yoshua Bengio
深度学习英雄:吴恩达采访 Yoshua Bengio
Andrew Ng 采访了 Yoshua Bengio,他们讨论了与深度学习相关的各种话题。 Bengio 讲述了他是如何进入深度学习的,以及他对神经网络的思考是如何演变的。他还讨论了他在为单词序列开发单词嵌入和使用自动编码器堆栈进行深度学习方面的贡献。此外,Bengio 还强调了无监督学习的重要性以及他对理解深度学习与大脑之间关系的兴趣。Bengio 强调了理解深度学习科学和适当研究以应对重大挑战的必要性。最后,他们关注深度学习职业需要扎实的数学基础知识以及继续教育的重要性。
深度学习英雄:吴恩达采访 Pieter Abbeel
Pieter Abbeel 在接受 Andrew Ng 采访时讨论了深度强化学习的挑战和潜力。他指出需要在探索、信用分配和生成负面示例方面进行进一步的工作。Abbeel 还强调了安全问题以及在教机器人自主生活时收集安全学习数据的重要性。他建议个人使用流行的框架进行实践实践,并建议接受经验丰富的专业人士指导的好处。此外,他建议需要强化学习来为机器提供成就目标,并指出在添加强化学习组件之前进行行为克隆和监督学习的重要性。