※ 引述《NewSpec (新规格)》之铭言：
: Musk讲的不是真的人工智能领域的那个A.I.
: 那根本就是垃圾, 一群学者自high的玩意儿
: 他指的应该是包含孔祥重、吴恩达现在在搞的deep learning领域
: deep learning可以说是机器学习的圣杯
: 基本上就是以clustering为基础, 模仿生物构成知识与认知的过程
: 这个观念与过去的三洨人工智能或机器学习观念大相迳庭
: 但效果却是出奇的好！
: 例如吴恩达在前几年有说过他们成功在不给予先备知识的状况下让电脑认得了猫
: 但他没说其实最近几年他让电脑自己能认得了更多东西...
: 简单来说, 如果deep learning持续发展, 那透过deep learning, 还有够多资料
: 电脑真的能判断出某问题 "最正确的解答"
: 换言之, 如果我们今天给一台有这种功能的电脑足够多的知识, 足够多的权限
: 然后请它做 "对台湾最好的事"
: 它很可能隔天就把马江魏全部宰了....= ="""
以讹传讹真的很恐怖~
小弟不才正在做Deep learning相关研究~
2006这几篇~
Hinton, G. E et al.
Reducing the dimensionality of data with neural networks. Science 2006
以及Yoshuaengio et al.
Greedy Layer-Wise Training of Deep Networks. NIPS 2006
简单来说autoencoder逐层训练的方式并且利用unlabel的资料解决了Neural Network的
随机初始化以及local optima的问题~事实上顶层还是需要supervised的训练方式去告诉
他要什么~
2012之前已经很成功的用在语音辨识还有手写辨识(mnist),之前microsoft在天津有一段
演讲(
),他能快速直接英翻中其中很重要的技术也是deep learning~
Andrew Ng本名吴恩达他是stanford的副教授,也是之前google brain中的重要成员之一
不过他现在被hire到百度了~
Machine Learning and AI via Brain simulations

这个演讲说明了他们在2007到2012之间所做deep learning的相关研究~
Le, et al.,
Building high-level features using large-scale unsupervised learning. ICML 2012
我想原PO应该是说这篇论文吧~
他是用10 million 200X200 的unlabeled影像(从youtube中)去训练~ 目的是找出
high-level features使得我们能使用这些feature去帮助我们认图片~
因为在learing based的影像分类中对于要使用什么样的feature当成分类的依据常常是
重要的课题~
所以他们发现在unsupervised的情况下Optimal stimulus有出现人脸及猫脸这只是意味着
这类型的feature能在大量影像中被发现~因为影片的资料来源中可能有相当多这类型的资
料~对于原PO所说有大量资料就能找出这种non trivial的答案这根本天方夜谭~顶多拿来
作regression这种能实数化或是预测比分,统计类型的资讯~ML跟真正AI还差很远~
在computer vision的重要贡献还是1981 Nobel Prize Medicine,Hubel跟Wiesel发现
Visual cortex有着hierarchical的结构,在我们visualize类神经网络中发现有同样的
结构使得现在deep learning能够这么样的红~
要上课了先打到这边~


这是stanford关于他们研究所做的Tutorial有兴趣可以看看~

嗯嗯，我也这样觉得

以靴传靴真的很可怕 我的靴子里有蛇

没错大概这样 i very understand

我觉得中间还满详细的 只是后面可能要在补充一下

这篇连我文组的都看得懂八成

马的 美国人真屌 能将医学跟资工结合 我也只看懂医学部分的可以讲一下heirarchical deep learning的关系吗？

推这篇

专业推

大致上对了 细节还要再补充 不过一般人也看不懂那么多