吴恩达课程第三课访谈Geoffrey Hilton很精彩。
内容之丰富已经超出了机器学习内容本身。
感谢朋友浩波的推荐。
后向学习机制 - 与类脑讲座中相关内容类似
无监督学习
与符号化的讨论- 想法是一个有因果能力的大向量。
建议：
-
如果你有很好的直觉，而大多数人都说此想法愚蠢，那就是一个很好的想法，坚持下去。
-
去企业还是读博士？
-
不要停止编程
为何一直用思维导图？因为它就像我们的大脑存储东西。这种类神经元结构能让我们的大脑建立更好的直接的链接 （？ ）-- 我猜的 。尝试画出一个笔记，带图形的，可能更有助于记忆。
链接：
课程：
http://open.163.com/movie/2017/8/9/9/MCS5AQH7J_MCS5PHV99.html
https://www.deeplearning.ai/
笔记：https://pan.baidu.com/s/1Vp3FZpppjEOVIq-sh-Q2og
机器学习
1 Geoffrey Hilton
1.1
1.1.1 High school mathematics -1966 全息 -Brain
1.1.2 生物学，物理学 -only one
1.1.3 哲学- 无法分辨对错，心理学 Psychology -过于简单
1.1.4 AI with Longuet Higgins -givingup
1.1.5 Got Phd, cound not get jobSolon 奖学金
1.1.6 Don Norman and David Rumelhart1982
1.1.7 1982 反向传播前面也有论文into Naturestraut -英国可以学字典
Features
1.1.8 How brain works vs psychology
Concept like amap
like a graphcalstructure
Graph like-tree structure and 人脸
特征向量
1990 Text getreal words.
1996 计算机速度慢
boltzmann机 - most beautiful thing 循环-神经网络受限第一次的结果可以作为新的data
S-置信网
Learning deepband
变分法
大约的-Estep
变分贝叶斯方法-1993
Dropout ReLU
2014 ReLU inGoogle
Back prop andBrain
1987 循环算法输入-隐藏绕开后输入
Skipe -尖峰时序算法？
2007 一群b机可以重现尖峰时序
fast weights
1972 循环用神经元
Jimma ba
胶囊算法
转移中有重要的关键
多维个体
有个特殊的个体
一堆神经元
不同的胶囊
不同性质
常规协议
Normal 只有一堆
可能是嘴，可能是鼻子
不同胶囊来Vote
有可能的对应空间
与Filtering不同
观念的变化 -FIFO监督学习，可以有不同学习
● 前向学习不同
也可以做后向学习
● Google Team in Toronto
后向传播
无监督学习 - weigstein
长期来看是很好的.
过去10年都是有监督学习
无监督学习仍很重要
我们还没达到
变分法改变代码
生成对抗网络
胶囊
稀疏性
慢速特征
先记录
在做非线性
转换矩阵
像素到坐标
胶囊
矩阵计算
建议
多读论文
别读太多
有创意的人
所有人都做错了
坚持自我
直觉不错的话
坚持
相信直觉
直觉错了，也没关系
永远不要停止编程
有些小的建议
解决一些潜在的问题能力
建立直觉
坚持直觉
如果所有人都说太荒谬了
是个好方向
例子：变分法
或者喝多了，或者是愚蠢
做出来
找一个和你一样的老师
去公司，读博士？
问题复杂
没有足够的人员
大多数人没有意识到
接近第二次工业革命的
计算机的功能不同了
训练计算机也很重要
一半应该去训练机器
大学不一定赶得上
RMS 2012 课 Mooc
很多工作
但是很有益
AI 符号化讨论
对比符号化的想法
输入符号，输出语言
想法至于空间中
想法是一个有因果能力的大的向量
非符号化的
本文转载自久章智能微信公众号（原文发布于 2018-03-29），内容保持原貌。扫码关注公众号「久章智能」，第一时间获取系列文章。阅读原文 ↗