您好、欢迎来到现金彩票网!
当前位置:2019欢乐棋牌 > 正则化 >

三位年轻华人AI博士有了最新的职业规划

发布时间:2019-06-28 06:24 来源:未知 编辑:admin

  近日,三位年轻华人AI博士有了最新的职业规划:陈天奇、朱俊彦双双宣布将于2020年秋季加入CMU,担任助理教授;金驰则宣布今年9月加入普林斯顿,担任助理教授。

  ICML 2018研讨会“RL探索”最佳论文奖得主金驰宣布2019年9月加入普林斯顿,担任助理教授。

  三位AI大神的博士生涯即将告一段落,等待他们的是更富挑战、更具意义的科研工作。正如陈天奇和朱俊彦在Twitter中表示,他们都希望在各自的领域做出更多贡献。

  华盛顿大学博士生、著名机器学习算法XGBoost,深度学习编译器TVM等的作者陈天奇近日在Twitter上宣布,将于2020年秋季加入CMU机器学习系担任助理教授。

  我将于2020年秋季加入CMU担任助理教授。我非常感谢我的导师、合作者和华盛顿大学在我的博士生涯中给予我的帮助。期待与CMU同事合作,为未来的智能系统进行更多研究。

  陈天奇博士就读于华盛顿大学保罗G艾伦计算机科学与工程学院,在上海交通大学ACM班获得硕士和学士学位。

  1. CMU 很早就开始做 system 和 machine learning 结合的研究(2011 年左右吧),经过前期很多探索和弯路(错过了好几个 super star),终于招到了最合适的年轻老师。天奇之前还在纠结要不要去 CMU,终于决定了。这是 CMU 的一大幸事。

  2.比较间接的了解了天奇的找 faculty 之路,感慨是有好的工作是前提,但对方学校欣赏也很重要。至少你去面试的 host 需要很欣赏你的工作。例如我很喜欢 TVM 的工作,我们组也有好几个成员投入在 TVM 上,所以经常出门推销。过程中发现我之前 CMU 的系统方向老板也很喜欢(天奇的 CMU 面试 host),我以前在 CMU 的办公室友很喜欢(天奇纠结的另一个 offer 的 host),我们组 TVM tech leader 的老板也很喜欢(另一个发 offer 的 top 学校的大佬)。此外,比较遗憾是另外几个非常强的学校没有跟进。我个人是很希望天奇能去 standford 或者 berkeley,这样未来合作更方便(CMU 实在是太偏了,湾区去匹兹堡的直达似乎都没了)。没拿到也不意外,之前跟他们几个大佬老师聊的时候,似乎对这一块不感兴趣。

  “有好的工作是前提”。陈天奇的博士生涯中,做了不少被广泛采用的好工作。在他的主页上,他写道:“我对机器学习和系统的交叉研究十分感兴趣。这个领域真正令人兴奋的地方在于,当我们将先进的机器学习技术和系统结合在一起时,能够实现什么。此外,我也在推动深度学习、知识迁移和终身学习(lifelong learning)等方向。”

  XGBoost,一个可扩展的、端到端的tree boosting系统。这个工具已经成为数据科学家每天使用的工具之一。

  Apache MXNet(共同作者):目前AWS采用的主要深度学习框架之一。

  2014 年,时为华盛顿大学博士的陈天奇开源 XgBoost 算法,受到大众追捧,之后它也迅速成了 Kaggle 竞赛中的常客。

  时至今日,XgBoost 在竞赛中的使用率还是很高,性能也很好,不少夺冠方案中都有它的身影,被誉为比赛夺冠的大杀器。

  TVM是一个神经网络编译器,它可以直接从其他框架训练好的模型编译到目标平台上的可执行代码,速度和显存的都有大幅优化。TVM使得自动或者半自动生成的代码能够达到手写代码的效果。

  陈天奇把TVM+NNVM 描述为 “深度学习到各种硬件的完整优化工具链”。他在知乎上对TVM进行了解释:

  TVM 尝试从更高的抽象层次上总结深度学习 op 的手工优化经验,用来使得用户可以快速地以自动或者半自动的方法探索高效的 op 实现空间。

  TVM 和已有的解决方案不同,以 XLA 作为例子,TVM 走了和目前的 XLA 比更加激进的技术路线,tvm 可以用来使得实现 XLA 需要的功能更加容易:已有的解决方案本身基于高级图表示的规则变换,可以产生一些图级别的组合 op 优化,如 conv-bn fusion,但是依然要依赖于手写规则来达到从图的表示到代码这一步。图的 op 表示到代码本身可以选择的东西太多,如何做线程,如何利用 shared memory,而大部分没有在图语言里面得到刻画,导致难以自动化。 这样下去深度学习系统的瓶颈必然从 op 实现的复杂度变成了实现 graph compiler 中模式生成规则的复杂度。走这个方向需要非常大的工程团队的支持,而我们希望采用更少的人力达到同样甚至更好的效果。

  我们采取了风险更大但是回报也更大的长远技术路线。简单地说,TVM 通过把图到 op 生成规则这一步进一步抽象化,把生成规则本身分成各个操作原语,在需要的时候加以组合。基于 tvm 我们可以快速地组合出不同的 schedule 方案。

  加入CMU后,陈天奇将继续发表哪些工作令人期待。有人表示,CMU 大概率迎来史上第一门 AI systems 课。

  与此同时,另一位AI大神朱俊彦也表示将在2020年秋季回到CMU,担任助理教授一职。

  在加州大学伯克利分校和麻省理工学院CSAIL度过了美好的时光之后,我将于2020年秋季回到CMU担任助理教授。我期待在图形、视觉和机器学习的交叉领域做更多的工作。

  2012年,朱俊彦获得了清华大学计算机系的工学学士学位。而后便前往CMU和UC Berkeley深造,经过5年的学习,朱俊彦于2017年获得了UC Berkeley 电气工程与计算机科学系的博士学位(他的导师是 Alexei Efros,博士研究由一项 Facebook 奖学金支持)。

  朱俊彦博士可谓是计算机图形学领域现代机器学习应用的开拓者。他的论文可以说是第一篇用深度神经网络系统地解决自然图像合成问题的论文。

  因此,他的研究对这个领域产生了重大影响。他的一些科研成果,不仅为计算机图形学等领域的研究人员所用,也成为视觉艺术家广泛使用的工具。

  CycleGAN利用pixel2pixel技术,能自动将某一类图片转换成另外一类图片,过度线年最受关注的模型之一。

  英伟达在GTC 2019上推出了一个令人惊叹的图像生成器GauGAN,可以说是凭借几根线条,草图秒变风景照。而朱俊彦便是作者之一。

  这个软件能够将人类的绘画方式和过程进行编译,在几秒钟内就能画出草图,并将其转换为逼真的照片。从软件的早期演示中,它似乎能够做到这一点。

  这个神奇手套名为“可伸缩触觉手套”(scalable tactile glove,STAG),使用柔性材料,在几乎整只手上布置了550个微型传感器。仅使用触觉数据,AI系统识别物体的准确率高达76%。

  实验还证明,大量的压力图及其空间分辨率是成功识别目标的关键。并且类似的深度学习模型可以估计未知物体的重量。结果显示,重量在60克以内的物体大部分都能准确估计出来。

  除上述这些非常出名的成就外,朱俊彦的其它工作也是非常出彩的。更多科研成果可以访问下方个人主页:

  金驰目前是加州大学伯克利分校电气工程与计算机科学(EECS)专业的6年级博士生,师从Michael I. Jordan。他也是RISELab和伯克利人工智能研究(BAIR)的成员。在此之前,金驰获得了北京大学物理学学士学位,并在王立威教授的指导下完成了本科论文。

  金驰的研究兴趣在于机器学习、统计和优化。他博士研究的主要目标是设计更好的学习算法,这些算法在理论上是健全的,在样本复杂性、运行时间和空间上是有效的。为了实现这一目标,他的研究重点是提供对非凸优化中基本问题的更深入理解,以及最近的强化学习。

  金驰将于2019年9月加入普林斯顿大学电气工程系,担任助理教授。他还将参加2019年秋季IAS的“优化、统计和理论机器学习特别年”。

  2018年7月,论文“Q-Learning是否可证明有效?”在ICML 2018研讨会“RL探索”中获得最佳论文奖。

  2018年7月,联合举办了ICML 2018研讨会“机器学习非凸优化的现代趋势”。

  Peter Flach版机器学习教程对数据有意义的算法的艺术和科学免费下载

  AI落地汽车再下一城,商汤科技将在2021年之前为全球20家汽车厂商提供系统

http://altofigaro.com/zhengzehua/6.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有