科学之路

书名:科学之路人、机器与未来当机器思考时,人类会怎样?
作者:[法]杨立昆
译者:
ISBN:9787521732399
出版社:中信出版集团
出版时间:2021-8-1
格式:epub/mobi/azw3/pdf
页数:
豆瓣评分: 7.7

书籍简介:

“图灵奖”得主、“深度学习三巨头”之一、“卷积神经网络之父”……由于在人工智能领域的突出贡献,杨立昆被中国计算机科学界和企业界所熟知。 杨立昆的科学之路,谱写了一段关于勇气的宣言。他为了知识本身求学,而不是文凭,他用自己的经历,证明了通过激烈的考试竞争进入名校不是科学成功的窄门。他广泛阅读,为他科学思维的形成奠定了坚实的理论基础。他特立独行,做自己感兴趣的事情,即便那件事在短时间里不被人看好。在人工神经网络研究的低谷期,他寂寞地坚持,终于取得了举世瞩目的成就。 人工智能正在颠覆人类社会,未来机器能思考吗?杨立昆的这部著作,讲述正是人工智能在我们面前崛起——这个历史上仅有的时刻发生的故事。

作者简介:

杨立昆是法国人,名字原文为Yann Le Cun,姓氏为Le Cun,因在美国常被误缩写为Y.L.Cun,于是把LeCun合写在一起。中文译名原为扬•勒丘恩,华人AI圈一直亲切地称他为“杨乐康”,他本人听闻后,干脆自己给自己取了中文名字——杨立昆。

他被誉为 “卷积神经网络之父”,2019年3月,因在人工智能深度学习方面的贡献获得2018年度图灵奖。此外,他还获得了2014年IEEE神经网络先锋奖(Neural Network Pioneer Award)、2015 年 IEEE PAMI 杰出研究奖和2016 年 Lovie 终身成就奖。

他为卷积神经网络(CNN,Convolutional Neural Networks)和图像识别领域做出了重要贡献,以手写字体识别、图像压缩和人工智能硬件等主题发表过190多份论文,研发了很多关于深度学习的项目,并且拥有14项相关的美国专利。研究领域包括人工智能、机器学习、机器感知、移动机器人学和计算神经学。

书友短评:

@ 何武凡 Lecun从他的个人经历、时代发展讲述了对人工智能的认识,书中不但有些关于他自己的故事还有很多硬核的知识。如何让机器像人类一样有效的学习,未来是不是真的如他所说通过自监督模型来学习世界模型,积累世界知识产生某种常识,让我们在创造未来的同时也在未来拭目以待。 @ 座山雕 内容可以分成四部分:Neural Network's Bio, LeCun's Bio, Deep Learning's theory and application, concers for AI。我个人不喜欢(也许是本来就不喜欢LeCun):技术的部分很浅显,故事的部分很寡淡,恐怕只有最后一章有点可读性。已经拿了图领奖的人了,为什么要出这么一本(夹带了不少私货的)书?#21书35 @ Karl 帮助我对人工智能有了进一步的认知,不过还需继续努力,还连刚刚开始都算不上 @ jy0558 翻译有点怪,大多数信息都知道 @ LemonXuyc 解构太松散了;不知道这书定位的受众是哪些人?神经网络理论部分没有必要,没有一定数学和编程基础看不明白的。关于产学研的一些观点值得思考,特别是关于开源的看法。关于人工智能的发展方向和哲学思考蛮有趣。 @ Chingdren Wong 学习,学习,学习 @ Realricecake 作为计算机行业从业人员,但又非人工智能领域的程序员,感觉是这是一本非常有启发性的科普书。讲得简明易懂,条例清晰,很适合入门。 @ 索 纯专业内容太难没看,其他都看了 @ Zhangyaohao 智者。好像没见到卡尔•弗里斯顿出现。

书籍目录

第一章 人工智能呼啸而来
第二章 人工智能和我的学术生涯
第三章 机器的初级训练
第四章 机器学习的方法
第五章 完成更复杂的任务
第六章 人工智能的支柱
第七章 深度学习的应用
第八章 我在脸书的岁月
第九章 前景与挑战
第十章 隐忧与未来
· · · · · ·

  • 根据我的经验,这样的一个机构必须遵守某些规则才能保持良好运作:如果我们想要收获研究成果,就必须给予科学家思考的自由,而不是强迫他们在短期内产出应用产品;需要向他们保证实验室结构的可持续性和声誉,以便他们可以在此全心投入和研究;此外还应该鼓励他们发表文章。而且我也有自己的研究准则:研究必须是开放的,软件也必须开放源代码,并允许他人使用,包括允许他人将之用于产品和服务中。
    —— 引自章节:第八章 我在脸书的岁月
  • 在一辆火车上有一名工程师、一名物理学家和一名数学家。火车经过一片田地时,他们看到一位农民身后有5头黑牛正在一个跟着一个地往前走。于是工程师说:“看,这个国家的牛是黑的!”物理学家说:“不!这个国家至少有5头黑牛是黑的!”数学家说:“你们错了,这个国家至少有5头牛的身体右侧是黑色的。”从给定的信息来看,他们所说的都是正确的。但是,数学家只是描述了观察到的结果,没有对该国其他的牛做出任何预侧,也没有做任何推断。工程师则有点急于泛化,仅仅基于一个观察的简单规则就推断其他牛的颜色。至于物理学家,他根据自己的经验做出了一个假设:“牛身体两侧的颜色通常是相同的。”但他没有推断其他牛的颜色。这则故事说明了几个问题。首先,就像这位物理学家一样,使用先验知识做出预测是必要的。其次,一定存在几个可以解释数据的基础模型。好模型与差模型之间的差距并不在于解释所观察事物的能力,而在于预测的能力。在这则故事中,数学家更依赖对观察得到的数据进行泛化,而不是依赖先验知识,但是很可能存在某些牛无法满足他的模型。
    —— 引自章节:第四章 机器学习的方法
  • 添加微信公众号:好书天下获取

    添加微信公众号:“好书天下”获取书籍好书天下 » 科学之路
    分享到: 更多 (0)

    评论 抢沙发

    评论前必须登录!

     

    添加微信公众号:“好书天下”获取书籍

    添加微信公众号:“好书天下”获取书籍添加微信公众号:“好书天下”获取书籍