Geoffrey Hinton获得IEEE的麦克斯韦奖的颁奖辞

2016年6月IEEE的麦克斯韦奖颁发给了机器学习的领军人物Geoffrey Hinton。颁奖辞十分优雅,同时简洁、凝练地解释了机器学习的最新进展以及神经网络的崛起。我忍不住翻译了一下。

颁奖辞

Geoffrey Hinton是深度学习的创立者,受对人脑感知机制的理解以及如何将其应用到计算机中的驱动,他帮助让人工智能更加智慧。
Hindon是机器学习领域的权威学者。
他发现并展示在进行非线性回归和分类的基础上,后向传播让神经网络拥有它内部的表达。
他发明的后向传播算法是在上世纪80年代机器学习领域复苏的关键,从那以后机器学习被用于语音和视觉物体的识别、欺诈检测、工厂检测以及自动化支票验证。
他的工作仍然保持在神经网络研究的前沿,他证明深度神经网络可以一级一级地被训练,每一级比前一级表达的概念稍微更加抽象。
这项工作彻底变革了图像分类、医疗诊断、法律的实施同时让车辆更加安全。
机器学习中的领军人物,帮助塑造这个领域变成现代的模样——Geoffrey Hinton。

英文原文

Geoffrey Hinton, the godfather of deep learning is helping to make artificial intelligence smarter driven by the desire to understand the mechanisms of cognition in the human brain and how to apply them to machines that learn.

Hinton is considered the leading authority on machine learning.
He realized and demonstrated that in addition to performing nonlinear regression and classification, backpropagation allowed neural networks to develop their own internal representations.
His development of the back propagation algorithm was key to the resurgence of the machine learning field during the nineteen eighties and has been used in speech and visual object recognition, fraud detection, plant monitoring and automated check verification.
His work still remains at the forefront of neural network learning demonstrating that deep networks can be trained level by level with each level learning to represent slightly more abstract concepts than the previous level.
This work has completely revolutionized image classification, medical diagnostics, law enforcement and enhanced vehicle safety.
A leading figure in machine learning who has helped shape the field into its modern form, Geoffrey Hinton

来源 http://www.ieee.org/about/awards/medals/maxwell_recipients.html

视频 https://www.youtube.com/watch?v=_oDdfROFyK4

时间: 2024-11-05 12:14:46

Geoffrey Hinton获得IEEE的麦克斯韦奖的颁奖辞的相关文章

Neural Networks for Machine Learning by Geoffrey Hinton (3)

Neural Networks for Machine Learning by Geoffrey Hinton (3) 训练感知机的方法并不能用以训练隐含层 训练感知机的方式是每次直接修正权重,最终得到满足所有凸锥里的权重.可行解的平均一定还是可行解. 对多层神经网络而言,2个可行解的平均并不一定是可行解. They should never have been called multi-layer perceptrons. 为何不解析求解神经网络? 我们希望了解神经网络具体工作方式. 我们需要

Neural Networks for Machine Learning by Geoffrey Hinton (4)

一种能够学习家谱关系的简单神经网络 血缘一共同拥有12种关系: son, daughter, nephew, niece, father, mother, uncle, aunt, brother, sister, husband, wife 有1个英国家庭以及1个意大利家庭,每一个家庭有12个人. 各种家庭关系都是可用三元数组表示.即( Agent / Relation / Patient ) 结构: (colin has-father james) (colin has-mother vic

Neural Networks for Machine Learning by Geoffrey Hinton (1~2)

机器学习能良好解决的问题 识别模式 识别异常 预測 大脑工作模式 人类有个神经元,每一个包括个权重,带宽要远好于工作站. 神经元的不同类型 Linear (线性)神经元  Binary threshold (二值)神经元  watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" width="300&quo

AI三巨头获2018年图灵奖!

ACM 宣布,2018 年图灵奖获得者是号称深度学习三巨头的 Yoshua Bengio, Yann LeCun 和 Geoffrey Hinton,得奖理由是:他们在概念和工程上取得的巨大突破,使得深度神经网络成为计算的关键元素(For conceptual and engineering breakthroughs that have made deep neural networks a critical component of computing.). Yoshua Bengio Yo

2017年度好视频,吴恩达、李飞飞、Hinton、OpenAI、NIPS、CVPR、CS231n全都在

我们经常被问:机器翻译迭代了好几轮,专业翻译的饭碗都端不稳了,字幕组到底还能做什么? 对于这个问题,我们自己感受最深,却又来不及解释,就已经边感受边做地冲出去了很远,摸爬滚打了一整年. 其实,现在看来,机器翻译在通用领域的短句上,已经做得不错了,但是复杂长句.需要结合上下文语境.特定知识的翻译上,效果还远远不能让人满意. 人工智能领域的翻译,就属于后者.它不仅需要数学.编程知识打底,对特定专业表达进行界定,还需要适时结合上下文语境理解和延伸. 这样一来,你也许能够理解,忠于原意又有人情味的翻译很

深度学习-LeCun、Bengio和Hinton的联合综述(下)

深度学习-LeCun.Bengio和Hinton的联合综述(下) [编者按]三大牛Yann LeCun.Yoshua Bengio和Geoffrey Hinton在深度学习领域的地位无人不知.为纪念人工智能提出60周年,最新的<Nature>杂志专门开辟了一个“人工智能 + 机器人”专题 ,发表多篇相关论文,其中包括了Yann LeCun.Yoshua Bengio和Geoffrey Hinton首次合作的这篇综述文章“Deep Learning”.本文为该综述文章中文译文的下半部分,详细介绍

深度学习-LeCun、Bengio和Hinton的联合综述(上)

深度学习-LeCun.Bengio和Hinton的联合综述(上) 摘要:最新的<Nature>杂志专门为“人工智能 + 机器人”开辟了一个专题 ,发表多篇相关论文,其中包括了LeCun.Bengio和Hinton首次合作的这篇综述文章“Deep Learning”.本文为该综述文章中文译文的上半部分. [编者按]三大牛Yann LeCun.Yoshua Bengio和Geoffrey Hinton在深度学习领域的地位无人不知.为纪念人工智能提出60周年,最新的<Nature>杂志专

关于机器学习和深度学习的资料

声明:转来的,原文出处:http://blog.csdn.net/achaoluo007/article/details/43564321 编者按:本文收集了百来篇关于机器学习和深度学习的资料,含各种文档,视频,源码等.而且原文也会不定期的更新,望看到文章的朋友能够学到更多. <Brief History of Machine Learning> 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机.神经网络.决策树.SVM.Adaboost 到随机森林.Deep Learning. &

神经网络简史

神经网络简史 自图灵提出“机器与智能”,一直就有两派观点,一派认为实现人工智能必须用逻辑和符号系统,这一派看问题是自顶向下的:还有一派认为通过仿造大脑可以达到人工智能,这一派是自底向上的,他们认定如果能造一台机器,模拟大脑中的神经网络,这台机器就有智能了.前一派,我想用“想啥来啥”来形容:后一派就称之为“吃啥补啥”,估计他们的思想来源于中国古代的原始思维,套一句庸俗的哲学词,前者偏唯心,后者偏唯物.这两派一直是人工智能领域里两个阶级.两条路线的斗争,这斗争有时还你死我活. 模拟神经网络的原创文章