吳恩達課程第三課訪談Geoffrey Hilton很精彩。

內容之豐富已經超出了機器學習內容本身。

感謝朋友浩波的推薦。

後向學習機制 - 與類腦講座中相關內容類似

無監督學習

與符號化的討論- 想法是一個有因果能力的大向量。

建議：

如果你有很好的直覺，而大多數人都說此想法愚蠢，那就是一個很好的想法，堅持下去。

去企業還是讀博士？

不要停止編程

為何一直用思維導圖？因為它就像我們的大腦存儲東西。這種類神經元結構能讓我們的大腦建立更好的直接的鏈接 （？ ）-- 我猜的 。嘗試畫出一個筆記，帶圖形的，可能更有助於記憶。

http://open.163.com/movie/2017/8/9/9/MCS5AQH7J_MCS5PHV99.html

https://www.deeplearning.ai/

機器學習

1Geoffrey Hilton

1.1

1.1.1High school mathematics -1966全息-Brain

1.1.2生物學，物理學-only one

1.1.3哲學-無法分辨對錯，心理學Psychology -過於簡單

1.1.4AI with Longuet Higgins -givingup

1.1.5Got Phd, cound not get jobSolon獎學金

1.1.6Don Norman and David Rumelhart1982

1.1.71982反向傳播前面也有論文

into Nature

straut -英國

可以學字典

Features

1.1.8How brain works vs psychology

Concept like amap

like a graphcalstructure

Graph like-tree structure and人臉

特徵向量

1990 Text getreal words.

1996計算機速度慢

boltzmann機- most beautiful thing循環-神經網路受限第一次的結果可以作為新的data

S-置信網

Learning deepband

變分法

大約的-Estep

變分貝葉斯方法-1993

Dropout ReLU

2014 ReLU inGoogle

Back prop andBrain

1987循環演算法輸入-隱藏繞開後輸入

Skipe -尖峰時序演算法？

2007一群b機可以重現尖峰時序

fast weights

1972循環用神經元

Jimma ba

膠囊演算法

轉移中有重要的關鍵

多維個體

有個特殊的個體

一堆神經元

不同的膠囊

不同性質

常規協議

Normal只有一堆

可能是嘴，可能是鼻子

不同膠囊來Vote

有可能的對應空間

與Filtering不同

觀念的變化-FIFO監督學習，可以有不同學習

●前向學習不同

也可以做後向學習

●Google Team in Toronto

後向傳播

無監督學習- weigstein

長期來看是很好的.

過去10年都是有監督學習

無監督學習仍很重要

我們還沒達到

變分法改變代碼

生成對抗網路

膠囊

稀疏性

慢速特徵

先記錄

在做非線性

轉換矩陣

像素到坐標

膠囊

矩陣計算

建議

多讀論文

別讀太多

有創意的人

所有人都做錯了

堅持自我

直覺不錯的話

堅持

相信直覺

直覺錯了，也沒關係

永遠不要停止編程

有些小的建議

解決一些潛在的問題能力

建立直覺

堅持直覺

如果所有人都說太荒謬了

是個好方向

例子：變分法

或者喝多了，或者是愚蠢

做出來

找一個和你一樣的老師

去公司，讀博士？

問題複雜

沒有足夠的人員

大多數人沒有意識到

接近第二次工業革命的

計算機的功能不同了

訓練計算機也很重要

一半應該去訓練機器

大學不一定趕得上

很多工作

但是很有益

AI符號化討論

對比符號化的想法

輸入符號，輸出語言

想法至於空間中

想法是一個有因果能力的大的向量

非符號化的

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！