Yann LeCun清华演讲：深度学习与人工智能的未来

2017年3月22日下午，Facebook人工智能研究院院长、纽约大学终身教授Yann LeCun在清华大学大礼堂为校内师生以及慕名而来的业内人士呈现了一场主题为《深度学习与人工智能的未来（Deep Learning and the Future of AI）》的精彩公开课。

随着AlphaGo事件的不断发酵，神经网络成为时下人工智能产学领域万众瞩目的研究焦点，也成为普罗大众的热门话题。事实上，神经网络作为一种算法模型，很早就已经被广泛关注和研究，也曾长时间内陷入发展突破的低潮期。不过，在以Geoffrey Hinton、Yann LeCun和Yoshua Bengio 为代表的众多神经网络活跃研究者的坚持和努力下，人们对卷积神经网络的研究得到开拓性进展，深度学习进入大众视野，神经网络终于在2006年迎来了复兴。

Yann LeCun作为深度学习运动的领军人物，Facebook人工智能研究院院长兼纽约大学教授，其一举一动都能引发业界的广泛关注。这次，由清华大学经济管理学院发起，清华x-lab、Facebook 主办的主题讲座邀请了Yann LeCun，作为《创新与创业：硅谷洞察》学分课程中的第一节公开课的讲者，针对深度学习技术的历史发展进程与人工智能的未来趋势进行了深入的解析，并分享了一些精彩观点。

报告下载：添加199IT官方微信【i199it】，回复关键词【深度学习与人工智能的未来】即可

时间： 2024-10-10 16:33:49

Yann LeCun清华演讲：深度学习与人工智能的未来的相关文章

Python神经网络算法与深度学习视频教程人工智能算法机器学习实战视频教程

38套大数据,云计算,架构,数据分析师,Hadoop,Spark,Storm,Kafka,人工智能,机器学习,深度学习,项目实战视频教程 视频课程包含: 38套大数据和人工智能精品高级课包含:大数据,云计算,架构,数据挖掘实战,实时推荐系统实战,电视收视率项目实战,实时流统计项目实战,离线电商分析项目实战,Spark大型项目实战用户分析,智能客户系统项目实战,Linux基础,Hadoop,Spark,Storm,Docker,Mapreduce,Kafka,Flume,OpenStack,Hiv

云计算、机器学习、深度学习、人工智能和大数据，主要有什么关系？

业外人士如何了解云计算.机器学习.深度学习.人工智能.和大数据之间有什么内在联系?从应用的角度来阐述一下这五个概念之间的联系. 这五个概念按照领域可以划分成两个大部分,先分别介绍这些概念的内部联系,然后再综合介绍他们整体之间的联系. 云计算和大数据 云计算和大数据的很多研究内容是重叠的,比如分布式存储.分布式计算,可以说大数据是云计算发展到一定阶段的产物.云计算和大数据之间主要的区别在于关注的"点"不同,云计算强调服务(IaaS.PaaS.SaaS),而大数据则强调数据的价值(数据采集

数据分析、数据挖掘、机器学习、神经网络、深度学习和人工智能概念区别（入门级别）

数据分析, 就是对数据进行分析, 得出一些结论性的内容, 用于决策. 分析什么哪? 根据分析现状. 分析原因. 预测未来. 分析现状和分析原因, 需要结合业务才能解释清楚. 用到的技术比较简单, 最简单的数据分析工具就是 Excel. 预测未来指的是分析未来一段时间的销售额之类的. 在预测未来方面, 一般用到数据挖掘的技术了. 数据挖掘, 从字面意思上看, 是从数据中挖掘出有价值的信息. 比如, 超市通过对一段时间的客户消费记录能发现, 哪些物品经常被顾客一起购买. 那么, 就可以把这些物品摆放

人工智能的新纪元——深度学习

摘要:随着大数据时代的到来,以神经网络为基础的深度学习迎来春天,世界各地深度学习研究所,研究项目如雨后春笋.一种并非全新却会令世界都会改变的新技术正在渐渐的成熟,走进我们的视野.它的出现使人工智能得到飞跃性的发展[1].深度学习是近几年人工智能领域颇具影响力和代表性的技术之一.本文从深度学习的发展历程,深度学习的技术实现和存在的问题,以及展望和它对社会的影响进行报告. 正文:一.发展历程 1．基础 深度学习的基础是神经网络NN(Neural Network),神经网络最早出现在上世纪40年代.早

认识：人工智能AI 机器学习 ML 深度学习DL

人工智能 人工智能(Artificial Intelligence),英文缩写为AI.它是研究.开发用于模拟.延伸和扩展人的智能的理论.方法.技术及应用系统的一门新的技术科学. 人工智能是对人的意识.思维的信息过程的模拟.人工智能不是人的智能,但能像人那样思考.也可能超过人的智能. 人工智能的定义可以分为两部分,即"人工"和"智能". 机器学习 1.    什么是机器学习 根据等人事件中判断人是否迟到了解什么是机器学习,具体参见地址:http://www.cnblo

38套大数据，云计算，架构，数据分析师，Hadoop，Spark，Storm，Kafka，人工智能，机器学习，深度学习，项目实战视频教程

38套大数据,云计算,架构,数据分析师,Hadoop,Spark,Storm,Kafka,人工智能,机器学习,深度学习,项目实战视频教程 视频课程包含: 38套大数据和人工智能精品高级课包含:大数据,云计算,架构,数据挖掘实战,实时推荐系统实战,电视收视率项目实战,实时流统计项目实战,离线电商分析项目实战,Spark大型项目实战用户分析,智能客户系统项目实战,Linux基础,Hadoop,Spark,Storm,Docker,Mapreduce,Kafka,Flume,OpenStack,Hiv

人工智能、机器学习和深度学习之间的区别与联系

大家都知道,在2016年,Google DeepMind的AlphaGo打败了韩国的围棋大师李世乭九段.在媒体描述DeepMind胜利的时候,将人工智能(AI).机器学习(machine learning)和深度学习(deep learning)都用上了.这三者在AlphaGo击败李世乭的过程中都起了作用,但它们说的并不是一回事. 今天就用最简单的方法——可视化的展现它们三者的关系和应用. 如上图,人工智能是最早出现的,也是范围最大的:其次的机器学习,稍晚一点:最内侧,是深度学习,当今人工智能大

深度学习数学《矩阵分析与应用第2版》资料+《最优化理论与算法第2版》电子书资料+《人工智能一种现代的方法第3版》资料学习

理性模型的建模和算法,经验模型的决策建模和算法,构成了目前人工智能的基础,基于学习反馈的模型构成了它的进化.学习人工智能,必须有较好的数学基础. <矩阵分析与应用第2版>电子书中总结了大量线性代数的知识,是一本很不错的书,数学专业可以跳过,主要是给工科生用的.归纳了不少论文中的解法,是做信号处理的一本很不错的工具书,建议认真学习,做电子笔记,对书的重点内容要好好研究. <矩阵分析与应用第2版>系统.全面地介绍矩阵分析的主要理论.具有代表性的方法及一些典型应用,包括矩阵代数基础.特殊

深度学习 vs. 概率图模型 vs. 逻辑学

深度学习 vs. 概率图模型 vs. 逻辑学 摘要:本文回顾过去50年人工智能(AI)领域形成的三大范式:逻辑学.概率方法和深度学习.文章按时间顺序展开,先回顾逻辑学和概率图方法,然后就人工智能和机器学习的未来走向做些预测. [编者按]在上个月发表博客文章<深度学习 vs. 机器学习 vs. 模式识别>之后,CMU博士.MIT博士后及vision.ai联合创始人Tomasz Malisiewicz这一次带领我们回顾50年来人工智能领域三大范式(逻辑学.概率方法和深度学习)的演变历程.通过本文我