资深算法工程师眼中的深度学习:Ian Goodfellow 和Yoshua Bengio的「Deep Learning」读书分享

简介:

雷锋网 AI 科技评论按:英雄式的科技公司 Tesla 和 SpaceX 的 CEO 埃隆·马斯克对人工智能技术和研究保持批评态度已经不是一天两天了。今年5月份钢铁侠说“90%的学术论文都毫无价值”的时候就引起了学术界的抗议,上个月又说人工智能技术是“人类文明史上面临的最大威胁”,又引起了 Facebook CEO 马克·扎克伯格在内众多人工智能支持者的声讨。

当然了,马斯克并不是反科技,他自己也是人工智能研究组织 OpenAI 的发起人之一,他只是不像别人那么乐观。所以当马斯克给一本深度学习的书写推荐语,还说这本书是市面上唯一一本读得懂的书的时候,你能感觉到他对整个领域持续的批评,但是仍然肯定了这本书的价值。

资深算法工程师眼中的深度学习:Ian Goodfellow 和Yoshua Bengio的「Deep Learning」读书分享

机器学习领域的重磅书籍

其实即便抛去马斯克的推荐语不谈,「Deep Learning」这本书也是机器学习领域毋庸置疑的重磅书籍。毕竟已经关注这个领域的小伙伴也很可能是先认识了这本书的作者,才知道这本书,最后才看到马斯克的推荐语的。

资深算法工程师眼中的深度学习:Ian Goodfellow 和Yoshua Bengio的「Deep Learning」读书分享

这本书的作者是谁呢?三位大牛!机器学习界名人、GAN的提出者、谷歌大脑研究科学家 Ian Goodfellow,神经网络领域创始三位创始人之一的蒙特利尔大学教授 Yoshua Bengio(也是 Ian Goodfellow的老师)、同在蒙特利尔大学的神经网络与数据挖掘教授 Aaron Courville。

只看作者阵容就知道这本书肯定能够从深度学习的基础知识和原理一直讲到最新的方法,而且在技术的应用方面也有许多具体介绍。这本书面向的对象也不仅是学习相关专业的高校学生,还能够为研究人员和业界的技术人员提供稳妥的指导意见、提供解决问题的新鲜思路。

如果跟领域内其它的相关材料做简单对比的话,Hinton老师的视频课程深度广度都过于高,最适合的是研究人员;国内周志华老师的“西瓜书”对基础知识和研究意愿的要求都不低,关心技术应用的读者读起来很吃力;李开复老师的「人工智能」则是一本面向吃瓜群众的科普读物;其它市面上容易找到的中文书籍多数是只关注实用的技术教程,英文专著则通常学术性较强,涵盖最新发展的新书也不多。

前百度、阿里资深算法工程师的读书分享

面对着这样一本内容精彩的好书,不管你有没有入手开始阅读,雷锋网 AI研习社都希望借此给大家提供一个共同讨论、共同提高的机会。所以我们请来了曾在百度和阿里工作过的资深算法工程师王奇文与大家一起分享他的读书感受。

分享人:王奇文,资深算法工程师,先后做过推荐系统、分布式、数据挖掘、用户建模、聊天机器人。“算法路上,砥砺前行”。

分享会主题:「Deep learning」读书分享

分享会时间:8 月 6 日早 10 点

分享会地点:AI 研习社微信群

加群观看分享直播

长按识别或手机扫描下方二维码,进入 AI研习社(公众号:okweiwu)微信交流群,8月6日(周日)早十点,活动准时开始!

资深算法工程师眼中的深度学习:Ian Goodfellow 和Yoshua Bengio的「Deep Learning」读书分享

直播过程中有任何想问分享者的问题,可以在群内提出,王奇文会在正文结束后为大家解答!

后续还有更多精彩分享,请继续关注雷锋网(公众号:雷锋网) AI 科技评论!

相关文章:

CVPR 2017精彩论文解读:显著降低模型训练成本的主动增量学习 | 分享总结

中山大学金牌队伍分享获奖经验:如何玩转图像比赛

本文作者:杨晓凡

本文转自雷锋网禁止二次转载,原文链接

相关文章
|
机器学习/深度学习 自然语言处理 算法
详解深度学习Deep Learning
详解深度学习Deep Learning
|
机器学习/深度学习 存储 人工智能
【博士每天一篇文献-算法】改进的PNN架构Progressive learning A deep learning framework for continual learning
本文提出了一种名为“Progressive learning”的深度学习框架,通过结合课程选择、渐进式模型容量增长和剪枝机制来解决持续学习问题,有效避免了灾难性遗忘并提高了学习效率。
989 4
|
机器学习/深度学习 人工智能 算法
AI人工智能(ArtificialIntelligence,AI)、 机器学习(MachineLearning,ML)、 深度学习(DeepLearning,DL) 学习路径及推荐书籍
AI人工智能(ArtificialIntelligence,AI)、 机器学习(MachineLearning,ML)、 深度学习(DeepLearning,DL) 学习路径及推荐书籍
2263 0
|
机器学习/深度学习 API 算法框架/工具
残差网络(ResNet) -深度学习(Residual Networks (ResNet) – Deep Learning)
残差网络(ResNet) -深度学习(Residual Networks (ResNet) – Deep Learning)
1158 0
|
机器学习/深度学习 算法框架/工具 Python
基于深度学习的手写数字识别项目GUI(Deep Learning Project – Handwritten Digit Recognition using Python)
基于深度学习的手写数字识别项目GUI(Deep Learning Project – Handwritten Digit Recognition using Python)
919 0
|
机器学习/深度学习 算法 安全
基于深度学习的目标检测的介绍(Introduction to object detection with deep learning)
基于深度学习的目标检测的介绍(Introduction to object detection with deep learning)
690 0
|
机器学习/深度学习 自然语言处理 算法
深度学习Deep Learning
深度学习算法的历史可以追溯到上世纪40年代,当时Warren McCulloch和Walter Pitts提出了第一个人工神经元模型,奠定了神经网络研究的基础。随后,Rosenblatt于1958年提出了感知机模型,引领了神经网络研究的新浪潮。然而,传统神经网络的局限性使其无法解决复杂的、非线性的问题,导致研究进展受限。
607 3
|
机器学习/深度学习 算法 固态存储
深度学习算法工程师面试问题总结| 深度学习目标检测岗位面试总结
本文给大家带来的百面算法工程师是深度学习目标检测岗位面试总结,文章内总结了常见的提问问题,旨在为广大学子模拟出更贴合实际的面试问答场景。在这篇文章中,我们还将介绍一些常见的深度学习目标检测面试问题,并提供参考的回答及其理论基础,以帮助求职者更好地准备面试。通过对这些问题的理解和回答,求职者可以展现出自己的深度学习目标检测领域的专业知识、解决问题的能力以及对实际应用场景的理解。同时,这也是为了帮助求职者更好地应对深度学习目标检测岗位的面试挑战,提升面试的成功率和竞争力。
|
机器学习/深度学习 人工智能 资源调度
深度学习应用篇-元学习[16]:基于模型的元学习-Learning to Learn优化策略、Meta-Learner LSTM
深度学习应用篇-元学习[16]:基于模型的元学习-Learning to Learn优化策略、Meta-Learner LSTM
深度学习应用篇-元学习[16]:基于模型的元学习-Learning to Learn优化策略、Meta-Learner LSTM
|
机器学习/深度学习 数据可视化 大数据
深度学习实践篇 第七章:transfer learning for computer vision
简要介绍如何使用预训练好的模型做训练。
380 0

热门文章

最新文章