吴恩达系列访谈观后感及观点提炼

Geoggfert Hinton

认为符号主义完全错误。

做导师支持的方向，那样会得到有建设性的建议。

培养好直觉，并当你有个觉得好的想法但是他人都认为荒谬时，坚持实现这个想法。

hidden学过物理学和生理学，哲学，心理学，最后转到神经网络。

想入门AI，要看很多文献，有价值的前提下越多越好，然后从中找出你认为不对而其他人认为对的地方，研究下去！

不要停止编程！

pieter abbeel（强化学习大牛）

强化学习需要领域知识，并且很耗时。

强化学习过程本身就是一个探索过程，数据从何而来，怎样对数据信用赋值，探索早期行为对最终收益的影响以及安全问题。

怎样分解模式是强化学习的的很大挑战，最大的挑战则是如何让系统在长时间线上保持推理能力。

设计一种自动训练增强学习算法的算法

不该去检验你的研究里度量是否正确，而要看你做的事情和影响你的东西之间有何关联，你的研究改变了什么。

Ruslan Salakhutdinovr（深度学习大牛）

尝试不同的事情，不要害怕尝试新事物，不要害怕尝试创新。

不要只学高度封装的深度学习框架，应该实际了解深度学习底层，了解这些系统背后的运作原理以及如何在gpu上高效的实现。

进去工业界或者研究最重要的就是你对这些系统实际在做的事情要有很深入的见解。

Yoshua Bengio（深度学习大牛）

如何构建一个精神结构，从而如何通过观察来解释世界，这是无监督学习所要解决的问题。

无监督学习+强化学习来尝试如何探索世界，理解世界并最终控制世界。但是我们不确定如何定义“良好的表现”。而且我们也不能清晰的找到哪一个目标函数能够评估系统在无监督学习中表现的是否良好。

现在的机器学习对于世界的认识还很表面化。我们现在要解决的问题就是如何让电脑观察世界，与世界互动。深度学习和强化学习相融合是未来发展方向。

我们要亲自实践，不要调用那些集成好的包，我们要知道程序究竟做了什么，这很有帮助，尽量亲自动手。

平时要多阅读，多看别人代码，自己动手写代码，多做实验，真正理解自己做的每一件事，尤其是科学研究层面的，多问自己为什么，我们为什么这样做，也许书中就能找到这一切的答案多读书。

ICLR大会论文集是优秀论文的集中所在

不要畏惧数学，只管发展直觉认识。