AI正在迅速改善。以下是如何学习推动它的技术。

围棋是一种古老的中国游戏,以其战略难度而闻名,它是人工智能的一个重要里程碑。自1997年以来,计算机通过有效地搜索可能的走法,一直在国际象棋中击败人类。但围棋则完全不同;为了获胜,计算机必须像人一样利用直觉思考。

所以什么时候alphago.2016年,由DeepMind设计的程序击败了世界上最好的围棋选手之一李世石,这是令人震惊的。更令人惊讶的是,它以一种令人惊讶和原创的方式播放1经验丰富的去玩家。

这突破背后是什么?这是一种称为深度学习的机器学习技术,由我们的大脑的网络结构松散地启发。机器学习的成功不仅限于游戏播放 - 这是在许多任务中取得成功,包括驾驶,语言翻译和语音识别。

现在,每个人都想参与机器学习行动;近年来,这个领域变得非常受欢迎。

它真的像炒作的那样吗?在某种程度上,是的——它的成功证明了它的用处。

所以,如果你有定量的背景(不一定是计算机科学),并想对世界产生积极的影响,我们认为机器学习是最好的博士项目之一。它给你技能,使用和塑造这个强大的技术,造福人类。作为一种后备,它在工业中提供了很多高薪职位,让你能够挣的钱给

在本文的其余部分,我们将解释为什么这是一个高影响力的领域,如何确定它是否适合你,以及如何以及在哪里申请。

概括

一台机器学习博士将你分发到对人类未来至关重要的领域。您可以使用您获得的技能来帮助积极地塑造人工智能的发展,将机器学习技术应用于其他紧迫的全球问题,或作为倒退,赚钱并捐赠给高效的慈善机构。它对研究了定量主体的人开放,即使他们以前没有完成计算机科学也是如此。

凡好

  • 你的研究可能会产生很大的影响
  • 在未来十年的最重要技术中建立技能
  • 毕业后收入潜力高
  • 智力刺激有能力的同事

cons

  • 需要4 - 6年,工资相对较低
  • 在没有太多反馈的情况下,需要大量的工作,这使得它使其失去许多
  • 该地区被覆盖的风险有些风险,将来会变得更加困难

评级

职业资本:Read more.">

直接影响:

收益:earn to give, or increase your financial security to put you in a better position to make a difference in the future?">

宣传潜力:

易于竞争:

工作满意度:

我们对这些评级的推理是下面解释.你也可以看看我们的职业评级方法

适合的关键事实personal fit with this career path compared to the others?">

较强的数学能力(相当于拥有一个定量学科的本科学位),希望做高水平的研究。

下一步

如果你以前没有做过机器学习,请这个在线课程或者你的大学课程。然后在本科或硕士学位期间尝试机器学习研究,或通过夏季研究实习。

如果你有兴趣利用机器学习博士来研究人工智能安全,申请我们的免费辅导服务

推荐

如果您非常适合本职业,可能是您拥有社会影响的最佳方式。

审核状态

探索职业概要

这个简介是基于什么

这份简介中的大部分信息来自与几位机器学习博士的交谈,包括DeepMind的研究科学家、机器人初创公司的联合创始人、计算机视觉博士,以及顶尖大学院系的博士生。我们也用了很多这个在线指导通过一位顶级计算机科学部门的教授到计算机科学博士学位。

这个职业道路是什么?

通常情况下,我们必须一步一步地告诉计算机该做什么。但这使得他们无法执行那些很难预先准确指定步骤的任务。

相比之下,在机器学习领域,程序员选择规则软件如何管理学习,而不是直接编程它的行为。这意味着我们可以根据经验构建自动完善的系统。2

在机器学习博士阶段,你要学习如何设计和实现这类算法。你的博士研究可以包括这样的主题,比如创建一个程序,可以标记视频中发生的事情;3.改善理解为什么机器学习系统使他们做的预测的技术;4.或者分析在线文本以了解社交过程,例如在线俚语传播方式。5.

您可以通过查看部门网站找到更多研究项目的示例(例如,斯坦福大学的),以前的论文列表(例如多伦多大学卡内基梅隆大学),188体育网站大全80000小时的有前途的例子研究想法的清单

机器学习是计算机科学的一个分支,与统计学密切相关。统计学和机器学习都有从数据中学习的目标,它们共享许多概念和数学工具。

但是,与统计数据不同,机器学习倾向于强调构建软件以使预测往往适用于较大的数据集,并且所使用的技术需要对数据的较少假设或者它是如何收集的。差异有更多细节这里

这项工作包括什么?它每天是什么样子的?

在美国,一个博士学位通常需要5-6年。头两年你要上课,剩下的两年你要做研究。英国的博士学位更短,通常是4年,而且你只做研究。不像美国的博士,他们通常要求你已经完成了硕士学位,尽管这取决于大学。

对于您的研究,您可以写一篇论文,这是一个很长而深入地探索特定主题或(更常见于美国)相关主题的论文集合。您的研究将经历几个阶段,从精炼的主题开始,然后在与它相关的研究项目上工作,最后写论文。

你将花费大部分时间编程、做数学、阅读论文、思考和与合作者讨论想法。

看看这些职场配置文件这个描述做研究是什么感觉在机器学习。

如果你想产生积极的影响,为什么要攻读机器学习博士学位?

1.了解未来十年最重要的技术

机器学习在过去十年中取得了快速进展,这得益于理论突破、数据可用性的提高、投资的增加和处理能力的提高。它已经成功应用于许多以前未解决的任务,包括自动驾驶,6.图像注释,7.玩游戏,8.直升机飞行,9.语音合成,10和电影的建议。11

商业利益激增,推动了对熟练员工的需求,以及大公司收购机器学习初创公司的兴趣。12自2014年以来的AI收购中的每位雇员的中位数主要是收购团队的每名员工2.5亿美元,每位雇员支付1000万美元。13

如果技术继续改进,我们将能够使越来越多的人力劳动自动化,并解决以前难以解决的问题。最终,我们可以创造出在大多数任务上比人类更强大的软件。

这进步可以从根本上变革社会,因为好坏。由于自动车辆,更便宜,更准确的医疗诊断,以及危险或不愉快的工作自动化,我们可以看到交通事故死亡的急剧减少。

但它也可能导致自动武器、大规模失业以及政治和经济权力集中在少数人手中。

更令人担忧的是,如果我们开发出高度聪明和符合我们的兴趣的软件,那么这可能会产生灾难性的后果。我们在我们的个人资料中讨论此介绍积极塑造人工智能的发展

由于这些原因,我们认为机器学习是未来几十年来理解的最重要领域之一。尽管最近的兴趣增长,但它仍然是一个相对少数人所拥有的技能。

当我们在下面草图时,有几种方法可以使用机器学习博士。

2.积极塑造人工智能的发展

积极塑造人工智能的发展是我们得分最高的问题区域并需要更多带有机器学习专业知识的人,所以我们认为努力工作将是机器学习博士学位的最佳选择。

(如果你已经在另一个高优先级的问题领域有丰富的经验,或者你不同意我们对处理这个问题重要性的评估,这就不适用了。)

在这个区域内,有两条主要路径。

技术安全研究

目前缺乏有技能的人来进行技术研究,以减少人工智能给社会带来的风险。一个机器学习博士在这方面可以做很好的准备。阅读更多关于为什么和如何进入这条道路,以及是否需要博士学位,在我们的完整的档案.或者看看这是人工智能安全工作指南

政策与策略研究

AI政策有助于政府,公司和非营利组织等机构中的决策者设计,并实施将有助于塑造AI未来的政策。政策角色包括制定倡导和实施政策的政策选择和从业者的研究人员。

一台机器学习博士学是一个很好的准备,因为它为您提供了与其他政策人员的技术背景和可信度。我们在这条路上有更多细节这里

想要积极塑造人工智能的发展吗?我们想帮忙。

我们已经帮助许多人制定了他们的计划,并让他们与学术导师取得联系。如果您想从事人工智能安全方面的工作,请申请我们的免费辅导服务

申请教练

3.将机器学习应用于其他重要的社会问题

在美国,败血症和败血性休克占所有重症监护入院人数的10%,占所有医院死亡人数的20-30%。14Johns Hopkins大学的科学家开发了一种称为Trewscore的机器学习系统,以帮助解决这个问题。它可以在标准筛查方法之前识别高风险的患者,使得能够更快地治疗。15

机器学习有很多亟待解决的问题可以用来帮助他人,包括:

要做这种工作,你需要了解118金宝搏高手论坛 你可以将你的技能应用于。您可以通过在公司或正在努力解决这些问题之一的研究项目和与许多其他人讨论的人交谈来获得这种理解。您可以在成熟的公司中工作,启动自己的公司,或进行学术研究。

4.高收入的备份选项

对机器学习专业知识的需求导致了高薪:

百分位 机器学习工程师-总补偿16
90% 240000美元
75% 192,000美元
50% 150000美元
25% 117000美元

考虑到这些数字包括了只需要硕士或学士学位的职位,我们预计博士学位的收入将处于这一范围的高端。

有了这笔钱,你就能挣的钱给.然而,我们认为,用机器学习做善事的其他方式可能比行业工作捐赠的影响更大。因此,我们只建议在其他方法行不通的情况下,将“赚到钱”作为临时的或备用的选择。

收入潜力很高(我们希望它在未来十年中保持高位)由于机器学习的快速进展及其在解决各种问题方面的用途。然而,有薪水可能会落下的风险,因为许多人都有兴趣进入该领域。

机器学习技能在技术初创公司中有用,并且最近的机器学习初创公司的扩散。Y Combinator首次为AI初创公司添加了一个专业曲目。大公司一直在获取AI初创公司12近年来,这些收购的价值往往基于所收购的团队,而不是更常见的价值指标,如收入。

自2014年以来的AI收购中的每位雇员的中位数主要是收购团队的每名员工2.5亿美元,每位雇员支付1000万美元。13看到我们的科技创业简介了解更多关于这条道路的信息。

据我们采访的业内人士说,机器学习博士学位是为在定量对冲基金获得高薪工作做准备的好机会。你可以在我们的简介中阅读更多关于定量对冲基金的工作这里

5.智力上有趣的工作,有很多自主权

你可以和世界上最有能力的人一起做需要智力的工作,你会对你的领域有令人满意的深刻理解。你可以自由选择什么时候做什么。

缺点

1.对心理健康不利

虽然你在博士学位的工作可以令人满意,但PHDS是一种心理斗争是臭名昭着的。这通常是由于孤立的感受和适应高度自主工作的感觉:“研究可能非常有益,非常令人沮丧。大多数学生将研究生院描述为带有巨大高度和巨大的低点的过山车。“17检查精神健康部分在我们的文章中如何更成功地处理这个问题。

2.需要很长时间

获得博士学位需要很长时间(4-6年),在此期间你的工资相对较低。如果你退学了,你就失去了博士学位的大部分价值,这使得它比其他回报更短的选择风险更大。

有可能跳过博士,并在一年内在行业中获得更少的高级地位;我们采访了两个人谁脱离了他们的博士,但尽管如此,仍然可以在ML工程中迅速获得宝贵的工作。

3.机器学习的竞争可能会变得更加激烈

机器学习是一个热门领域,很多人都想进入,所以随着很多人涌入该领域,找到工作可能会变得更加困难。例如,麻省理工学院(MIT)最近推出的机器学习课程有700人报名——他们不得不使用一个满溢的教室,并故意提前将人淘汰出课程。18如果机器学习的进展比预期的慢,并没有达到预期的效果,那么工作岗位的数量可能也会减少。

你怎么进入?

要想被录取,你需要有很强的量化技能,这通常是你通过攻读计算机科学、数学、工程、定量经济学或物理学等本科学位获得的。至少,您应该已经学习了概率和统计、多元微积分和线性代数。

我们知道有些人没有数学方面的背景就被机器学习硕士录取了,尽管这种情况很少见。这将需要自学或参加数学先决条件课程(如开放大学)。

在英国和欧洲其他国家,你通常需要机器学习或计算机科学或数学等相关学科的硕士学位,尽管这取决于大学。在美国、加拿大和澳大利亚,这通常不是必须的,尽管它可以提高你的申请,并帮助你在攻读博士学位之前测试你的兴趣和研究能力。

不需要硕士的节目通常比那些更长1-2岁。如果你打算做一个硕士,那么两年的学位都更好,因为你有更多的时间来做研究,这是进入顶级博士节目的关键。

根据在线指南和我们采访的正在攻读机器学习博士学位的人,能否被录取几乎完全取决于你能做出好的研究。

如何证明你能做好研究

首先,你需要事先做一些研究。如果你还是一名本科生,在你的大学里和学术人员一起做研究,或者找一个暑期研究的职位。许多研究小组为本科生提供暑期研究职位,其中一些是带薪的(例如reus).

如果你攻读硕士学位,选择一个有很强研究成分的专业,并尽快投入研究。理想情况下,你应该在完成学位前发表1-2篇论文。至少,你应该已经完成了一篇研究论文,即使它没有发表——一篇研讨会论文,一篇审查中的论文,或者一篇关于Arxiv(任何人都可以提交)仍然有用。一篇完成的研究论文是非常重要的,所以你应该在完成这篇论文之后再完成你的学位。

其次,您需要良好的推荐信,理想情况下,来自您在您的领域的人员和学术界的人士评估您的申请。您希望建议突出您的研究潜力,而不是您在课堂上做得很好的能力。

第三,您需要一个强调您的研究经验以及您想要努力的个人陈述。

第四,除非你计划做纯理论研究,否则你需要被证明的编程能力。证明这一点的最好方法是参加编程课程,拥有编程项目组合,或者通过工作或实习获得商业编程经验。

虽然不是必须的,你也可以对广泛使用的开源机器学习包,写关于实现机器学习技术的博客文章,或者参加诸如kaggle

等级(如果申请美国大学)的成绩(和GRE结果)比您的研究经验和推荐信的重要性要不那么重要。以下是您应瞄准的既定成绩,但不是硬截止:

  1. 根据本指南和我们采访的专家,你的平均绩点(如果你上的是美国大学)应该在3.6或更高。与拥有更多的研究经验相比,3.6以上并没有多大帮助。

  2. 如果您在英国的本科学位中,您应该有一个第一个或高上秒。

  3. 你的GRE总成绩通常应该在第90百分位或更高。数量部分的分数比语言和论文分数更重要,你的数量分数应该达到165左右(>= 95百分位),总分要在90百分位以上。

对机器学习博士的兴趣增加,许多部门今年都有历史较高的应用。这可能会增加未来几年的入学要求水平,尽管由于行业资金可能会获得更多地点。

欲了解更多提示,请阅读本指南申请计算机科学博士项目,因为它充满了详细的、实用的建议。

如何判断博士学位是否适合你

研究不同于上课,而且擅长研究需要不同的技能:你需要适应在很少反馈的情况下自主完成工作,并在几年时间里专注于一个狭窄的主题。在第二部分有更多关于博士研究的细节本指南

如何测试你的适合度

很难知道你是否适合机器学习研究而不尝试它。为了测试您的适用性,这里有一些步骤,您可以采取多少时间:

  1. 与一名正在做机器学习博士的人交谈,了解更多关于它的样子以及你是否适合它。

  2. 乘机学习在线课程,如这一个Coursera或者你大学里的一门课。

  3. 参加在线比赛

  4. 学习额外的课程和课本。我们推荐一些特别好的资源这里

  5. 阅读研究论文并尝试复制他们的结果(Andrew Ng建议这成为一名优秀的机器学习研究员)。我们的采访达里奥·阿莫代OpenAI提供了更多关于如何做到这一点的细节。有些文件你可以这样做:

  6. 做一个暑期研究实习(建议如下)。

  7. 攻读包括研究项目在内的硕士学位。

我应该做些别的事情吗?

具有进入机器学习硕士或博士学位所需的定量和计算技能的人可以进入各种其他职业生涯。

这里有一些问题可以帮助你判断你是否更适合另一种选择。

我想成为一名研究人员吗?我有机会在学术界或顶级公司取得成功吗?

如果是的话,读博士是个不错的选择。

如果没有,你可以考虑一下数据科学软件工程量化交易,或创办自己的科技公司

机器学习与我认为最重要的问题有关吗?

如果你认为博士学位对你来说是个不错的选择并且你同意我们的观点积极塑造人工智能的发展是最重要的事情之一,那么攻读机器学习博士学位是你的最佳选择之一。如果你对人工智能政策更感兴趣,你有经济学背景,或者你不喜欢编程经济学博士学位可能是一个更好的选择。同样,如果您认为全球贫困或者全球优先事项研究是一个更重要的问题领域,那么经济学博士可能是一个更好的选择。

我是否更喜欢不需要博士学位的机器学习领域?

如果你想在学术界或工业界从事机器学习研究,你需要一个博士学位。拥有博士学位(或更深入的学术经历)也有助于创办一家开发尖端技术的初创公司。但对于大多数工业领域的非研究职位,包括在谷歌这样的顶级公司,硕士学位就足够了。对于非纯研究的行业工作来说,继续攻读博士学位并不是一种优势,可能也不值得花费这么多时间。

还要记住,许多数据分析问题,公司和非营利组织的问题不需要机器学习解决 - 通常可以使用简单建立好的解决方案数据科学方法代替。19

类似于机器学习博士的选项

  • 计算机科学博士学位在机器学习之外。我们认为这通常是一种比机器学习博士学位更糟糕的选择,因为机器学习对AI的未来及其广泛的适用性的重要性。

  • 统计博士。机器学习和统计数据之间存在很多重叠,因此值得申请机器学习工作的统计部门,尽管如果您想进入该领域,仍然是优选的机器学习博士。

  • 谷歌脑住院医师,解释如下。

谷歌大脑居住

谷歌脑住院医师计划是一年长的角色,类似于在深度学习中的硕士或博士计划中的一年时间(一个尖端的机器学习技术,我们在下面更详细地解释)。

它旨在迅速让您加快深入学习的研究,并对茎田(学士,硕士或博士学位)的人开放。它比硕士学位更为着色,让您可以访问谷歌的谷歌的资源和深度学习专家。也就是说,这是极具竞争力 - 你更有可能被接受到顶级研究生院。

在本科和硕士学位之后,值得申请它。如果您在居住和硕士学位之间选择,因此由于上述优势,居住通常更好,以及您将在研究中花费的事实。

当你在住院医师和博士之间做出选择时,你需要考虑你的博士学位有多好——如果你已经获得了顶尖大学的学位,那么推迟可能就不值得了,尤其是如果你不能推迟你的博士学位。

如何选择您的程序

哪个研究小组和机构?

根据在线指南和我们在领域所说的人的最重要标准是:

  • 研究小组的威望.您希望在一组持续获取论文中的集团中的群体进入顶级机器学习会议。您可以找到最佳会议列表这里

  • 你潜在的顾问是什么样的人当前位置不要只关注学校或系里的声望——你的导师对你的成功至关重要,因为他们是你的主要导师。

    • 选择您可以与您提供良好的顾问和支持您的顾问。咨询当前的学生,看看他们是否对自己正在考虑的顾问感到满意。

    • 确保他们的研究兴趣和你的一致。

    • 如果满足前两项标准,请为成功,着名的顾问。诸如大型实验室负责人的着名研究人员通常具有更好的资金和联系,但可能很难与他们往往太忙,以便对您的工作提供反馈。有一个不那么出名的顾问可以更好,但可以让你更加支持,例如崭露头角的初级教授。或者,您可以在允许您拥有多个顾问的大学中。如果您的兴趣范围内有多个顾问,这也是有帮助的。

  • 顾问和实验室稳定与资源.找一个在你待在那里期间资金有保证的实验室和顾问。或者,奖学金(例如来自NSFNSERC)可以让你与资金较少的顾问合作。同时也要看看你的潜在导师是否考虑在你读博士期间搬迁实验室。如果你的导师离开了,对你的博士学位来说可能是灾难性的,因为你可能会发现很难找到另一个有合适专业知识的导师来指导你的研究。

  • 教学工作量有些系要求你做大量的教学工作,留给你研究的时间就少了。

  • 实验室气氛和兼容性:您将与其他学生和邮政编码合作和学习,因此检查他们是否可以帮助您出去,并且您继续使用。如果可能的话,在实验室会议上坐在实验室会议,或者通过与当前的学生交谈,检查实验室里有友好的氛围。

  • 一个你会开心的地方:对你来说,离家人近一点可能是很重要的,如果你在当地语言说得不好的地方可能会感到孤独。

  • 在你认为影响特别大的主题上有研究人员在场:例如,如果您想在AI安全上工作,那么它很有用大学的人工智能安全研究小组这样你就可以在攻读博士学位期间研究它,并与其他研究人员建立联系。

很高兴:

  • 当地产业:如果你有一些想法,你想做什么博士后,你可以增加与行业兼容的地点。所以,如果你对初创公司或大型科技公司感兴趣,去旧金山湾区的大学,比如斯坦福大学和伯克利大学;想要与DeepMind建立更好的联系,就去英国的大学。

  • 整体机构的威望如果你打算继续从事机器学习的工作,那么机器学习研究团队的声望比整个大学的声望要重要得多。

这个quora的问题在最好的机器学习研究生院会给你一个开始的地方。

有关选择博士计划的更多详细信息指南

哪个话题?

一些最有前途的主题包括:

深度学习

虽然不同的机器学习方法对于不同的应用是有用的,但深度学习是过去十年中看到了很多成功的深度学习。这是一种由我们大脑的网络结构松散地启发的方法,尽管存在许多差异。有一个更详细的解释它是如何运作的这里

深度学习帮助我们解决了以前的人工智能技术无法解决的问题。这些包括图像识别的成功,“预测潜在药物分子的活性,分析粒子加速器数据,重建脑电路,并预测基因表达和疾病中非编码DNA中突变的影响。”20.

由于其成功,深入学习专业知识对在机器学习的尖端和致力于塑造AI的发展的人们工作的公司来说都是有价值的。

强化学习

在强化学习中,软件在其环境中采取行动,使程序员定义的奖励最大化。例如,这段视频展示了DeepMind的atari游戏软件学习玩breakout游戏。它的目标是让屏幕上的分数最大化,并通过来回移动球拍来采取行动。

强化学习很重要,因为它是一种很有前途的方法来创建软件,就像人类一样,有长期目标,并通过反复试验来学习在其环境中最有效的方法。2122

鉴于当前正在接受很多关注,进入加强学习中的博士计划可能不如深入学习中的程序困难。你也可以在一个中做深增强学习博士学位。

应用程序

如果你打算研究机器学习的一个特殊应用,比如视觉或语音识别,有几件事要记住。选择什么应用程序并不重要,只要你在基础的机器学习方法中建立技能。但是,仍然值得考虑在哪个应用程序上工作。理想状态是一个正在取得进步但还没有停滞不前的领域。你可以通过观察找到这些区域本文,其中有图表显示了机器学习在许多具体应用中的进展。

有关选择合适程序的更多详细信息,请参阅这里

在你读博士期间获得行业经验

行业实习可以对博士学位有用的补充,因为他们将您暴露于行业的工作原理,培训您在可用的工具(如谷歌的基础设施)中,可以获得您的工作,并且可以刺激新的研究方向。通过在机器学习界的声誉来判断,机构分为几层:188bet金宝博官网网址

关于顶级院校的声誉还有更多细节这里

许多人中很多负责人工智能安全的组织还要采取实习生。

如何在攻读非机器学习博士学位的同时获得机器学习经验

在攻读另一个定量博士学位(如应用数学、统计学或物理学)的同时,也可以进行机器学习研究。如果你想探索这种可能性,可以从参加大学机器学习实验室的讲座和研究小组会议开始。然后看看你是否能和那里的研究人员一起工作(你通常不用正式换部门就能做到),或者安排一次为期几个月的研究访问。

进一步的阅读

想用ML博士让世界变得更美好吗?我们想帮忙。

我们已经指导过几十位想要攻读博士学位的人,并且可以经常让你联系相关专家以获得更多的指导。申请我们的免费辅导服务,特别是如果你想从事人工智能安全方面的工作

申请教练

或者加入我们的时事通讯,当我们发布新的职业简介时就会得到通知。

笔记和引用

  1. AlphaGo在本月早些时候以四比一的比分赢得了这场比赛。人工智能还想出了一种全新的游戏方式,这种游戏起源于两三千年前的中国,从那时起就一直被人们着迷。到了第四局,就连李世龙对围棋和它看似简单的格子都有了不同的看法。”http://web.archive.org/web/20170105034850/https://qz.com/639952/googles-ai-won-the-game-go-by-defying-millennia-of-basic-human-instinct/

  2. “机器学习领域试图回答这样一个问题:‘我们如何构建能够根据经验自动改进的计算机系统?支配所有学习过程的基本法则是什么?’”“‘米切尔,我是汤姆·迈克尔。机器学习的学科卷。9。卡耐基梅隆大学计算机科学学院机器学习系,2006。

  3. http://web.archive.org/web/20170313102628/http://shikharsharma.com/publications/msc-thesis.pdf

  4. https://sites.google.com/site/victoriakrakovna/research/thesis.pdf?attredirects=0&d=1

  5. http://web.archive.org/web/20150906145638/http://reports-archive.adm.cs.cmu.edu/anon/ml2014/CMU-ML-14-101.pdf

  6. “传感器技术的进步与机器学习中的突破相结合 - 计算机从大量数据中学习的能力,以及随着时间的推移而改善 - 意味着无人驾驶汽车(基本上的轮子上的超级计算机)可能会在未来几年的道路上成为常规景象.”http://web.archive.org/20170517071920/htps://www.nytimes.com/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/12/13/2016/google-parent-company-spins-off-waymo-self-driving-Car-Business.html.

  7. “我们开发了一种机器学习系统,可以自动产生标题(如上面的三个),以便在它看到它们时准确描述图像。”http://web.archive.org/web/20170606075631/htps://research.googleblog.com/2014/11/a-picture-is-worth-thousand-coherent.html.

  8. “我们介绍了第一个深入学习模型[机器学习技术],通过使用加强学习,直接从高维感官输入中学习控制策略。该模型是一种卷积神经网络,具有Q-Learning的变体训练,其输入是原始像素,其输出是估计未来奖励的价值函数。我们将我们的方法从街机学习环境中应用于七个Atari 2600游戏,没有架构或学习算法的调整。我们发现它超越了六场比赛的所有方法,并超过了其中三个人类专家。“http://web.archive.org/web/20170408091305/htps://deepmind.com/research/publications/playing-atari-deep-reinforement-learning/

  9. “在本文中,我们描述了强化学习(一种机器学习技术)在自主直升机飞行中的成功应用。”Kim, H. Jin等人。”强化学习的直升机自主飞行.”神经信息处理系统的进展.2004年。

  10. “本文介绍了Wavenet,一个深神经网络[机器学习技术],用于产生原始音频波形”Van Den Oord,Aäron等。“Wavenet:原始音频的生成模型.”Corr Abs / 1609.03499(2016).演示这里

  11. Netflix改善电影建议奖的获奖解决方案通过机器学习技术进行了一支球队。克伦,耶堡。“贝尔克尔的Netflix大奖解决方案.”Netflix大奖文档81(2009):1-10。

  12. 根据CB的见解,“像谷歌,IBM,雅虎,英特尔,苹果和Salesforce等公司巨头正在竞争比赛,以获得私人AI公司,与福特,三星,GE,UBER作为新进入者。自2012年以来,已经收购了2002多家使用跨不同垂直横跨不同垂直术语的私营公司,仅在Q1'17中获得超过30次收购(截至3/24/17)。本季度还看到了最大的并购之一:福特以1亿美元的价格收购Argo AI。“

  13. “Twitter刚刚支付了150米的14人魔法小马,这是一个英国AI视觉搜索公司勉强有人在交易之前听说过。每名员工价格为10米+,它标志着AI的高水位标记基本上是团队收购。Magister自2014年以来,在美国,欧洲和以色列自2014年以来履行了26个AI驱动的交易,其中11名涉及具有少于50名员工的公司,该公司主要为团队和能力获得了很大程度上或完全获得的。在所有11个交易中,每位员工支付的中位数已达到2.4亿美元,这意味着具有40名员工的高品质AI公司将在100米附近重视。即使它很少或没有收入。“https://www.linkedin.com/pulse/artificial-intelligence-teams-being-acquired-employee-victor-basta

  14. “在美国,每年有75万患者患上严重的败血症和败血性休克。其中超过一半的人住进了重症监护病房(ICU),占所有ICU住院人数的10%,占医院死亡人数的20%至30%,每年的医疗成本为154亿美元。感染性休克的目标实时预警评分(TREWScore).”科学翻译医学7.299(2015):299RA122-299RA122。

  15. “总之,我们的研究表明,在标准筛查方案前几个小时,患者在高危开发化脓性休克的患者之前可以预测。”亨利,Katharine E.等人。“感染性休克的目标实时预警评分(TREWScore).”科学翻译医学7.299(2015):299RA122-299RA122。

  16. 根据paysa.com.2017年6月

  17. http://web.archive.org/web/20150616151040/http://www.cs.cmu.edu/~harchol/gradschooltalk.pdf.

  18. 但据创建这门课程的计算机科学教授Tommi Jaakkola说,本学期大约有700名学生注册了这门课程,这门课程也被称为机器学习入门。所以在第一堂课上,100多名学生在一个满屋子的教室里观看了视频。自愿放弃这门课的学生并不多,所以Jaakkola想出了一些“初步作业”,通过让学生了解他们需要掌握的线性代数和概率的水平来剔除更多的学生。http://web.archive.org/web/20170615121557/https://www.bostonglobe.com/business/2017/04/06/what-makes-this-hottest-class-mit/wcAVJfK8U9D64hyVSTTbqI/story.html

  19. “现在大多数公司都完全不需要机器学习(ML)。公司想要在机器学习上解决的大多数问题都是相当直接的问题,可以用一种回归的形式来‘解决’。”http://web.archive.org/web/20170615121922/http://ericbrown.com/you-probabaly-dont-need-machine-learning.htm.

  20. LeCun, Yann, Yoshua Bengio和Geoffrey Hinton。“深度学习.”自然521.7553(2015):436-444。

  21. “人类在解决各种各样的挑战性问题时,从低级电机控制到高级别的认知任务。我们在深度的目标是创造人工代理,可以实现类似的性能和一般性。像人类一样,我们的代理商学习自己,以实现导致最大的长期奖励的成功策略。通过奖励或惩罚的审判和错误的这种程度地学习的范式被称为加强学习(RL)。“http://web.archive.org/web/20170803094013/htps://deepmind.com/blog/deep-reinforilition-learning/

  22. “我非常关注强化学习以及OpenAI非常关注强化学习的原因是,强化学习和类似的东西,强化学习的扩展版本似乎更适合智能代理的一般行为。

    通常,我有很长远的目标,想要教育,想要拿到博士学位,想要有自己的事业,想要组建家庭等等。这些都是在一年之后逐渐展开的事情,涉及到与我的环境以一种非常复杂的方式互动。我们的强化学习是我们拥有的唯一的范例,甚至接近于捕捉这个,从我们采访了达里奥·阿莫代从OpenAI