盘点ML/DL领域世界和国内的顶级大牛(不定期更新。。。)

deep learning三大巨头

Geoff Hinton

  • 多伦多大学计算机系教授,深度学习之父,深度学习开山鼻祖,BP算法创始人,目前加入Google搞Google Brain

Yann Lecun(/le ken/)

  • 加入Facebook任人工智能研究室主任,Hinton的博士后,创立CNN

Yoshua Bengio (/ben jiu/)

  • 在蒙特利尔大学潜心学术界,Michael Jordon的博士后,主要贡献attention以及GAN,当前学习DL有力的工具PyLearn2和Theano都是出自他的实验室

其他超级大牛

Andrew Ng(吴恩达)

  • stanford计算机副教授 & AI Lab主任,师从Michael Jordon并且是其“得意门生”,Google Brain之父,基本上统治了ICML NIPS AAAI等所有相关领域国际顶级会议和顶级期刊

Michael Jordon (/jor den/)

  • UC Berkey的统计学和ML的双料教授,一手开创统计机器学习这个领域

Jurgen Schmidhuber (/you r gen, si mi di ber/)

  • RNN, LSTM之父

李飞飞

  • 3
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习(ML)和深度学习(DL)在底层逻辑上有一些相似之处,但也存在一些重要的区别。 首先,MLDL都属于人工智能(AI)的领域,它们都涉及使用算法来使计算机系统具有学习和预测能力。它们的目标都是通过从数据中学习模式和规律来使计算机能够进行预测和决策。 在底层逻辑上,MLDL都需要数据作为输入以进行训练。它们使用这些数据来建立数学模型,并使用优化算法来调整模型参数,以使模型能够更好地拟合数据。在训练过程中,它们都有一个损失函数来衡量模型的预测与实际结果之间的差异。 然而,DL相对于传统的ML有一些重要的区别。DL侧重于使用深层神经网络来学习数据中的复杂特征和模式。深层神经网络由多个神经元层组成,每一层都通过非线性的激活函数将输入转换为输出。这种多层次的结构使得DL能够处理更复杂的问题,例如图像和语音识别。 相比之下,传统的ML方法更多地依赖于特征工程,即手动提取和选择有用的特征来作为输入。传统的ML方法通常使用的是浅层模型(如线性回归、支持向量机等),这些模型在处理复杂问题时可能表现不佳。 总之,MLDL在底层逻辑上有一些共同之处,都使用数据进行训练和预测。然而,DL通过使用深层神经网络来处理更复杂的问题,相对于传统的ML方法更具有优势。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值