Küresel Bilgisayar H-endeksi İLK 10 Çinli Philip S. Yu Derin öğrenmeden kapsamlı öğrenmeye
1 Xinzhiyuan ile röportaj
Küresel bilgisayar alanında H-endeksi TOP 10 Çince
Tsinghua Üniversitesi Veri Bilimi Enstitüsü'nde çok düşük anahtarlı bir akademisyen var.Google Scholar'daki H-endeksi 138'e kadar yükselerek, dünyada bilgisayar bilimi alanında en çok alıntı yapılan yazarlar arasında 10. sırada yer alıyor. Biliyorsunuz, yapay zeka akademisinde ünlü bir bilgisayar bilimcisi ve ikonik bir figür olan Profesör Michael I. Jordan'ın H-Index endeksi de onun arasında (Google Scholar Michael I. Jordan'ın 137 H-Index'ine göre, Evet 138).
Bu alçakgönüllü, mütevazı ve bilge bilim adamı, Tsinghua Üniversitesi Veri Bilimi Enstitüsü dekanı ve Yazılım Okulu'nun konuk profesörü olan Yu Shilun adlı bugünün makalesinin baş kahramanıdır.
Yu Shilun, daha iyi bilinen adı olabilir Philip S Yu , Aşağıdaki şekil, Google Akademik'teki makalelerinin atıf istatistiklerini göstermektedir. 2012'den beri araştırmasına 40.000'den fazla atıf yapılmıştır. Philip S Yu, bilgisayar alanında akademik bir zirve olarak tanımlanabilir.
Shilun Yu, Amerika Birleşik Devletleri'nde doğdu, Ulusal Tayvan Üniversitesi'nde okudu ve ardından 1978'de Stanford Üniversitesi'nden EE'de doktorasını aldı. Günümüzde pek çok akademik araştırmacı sektöre uçtu ve Profesör Shilun Yu'nun mesleki deneyimi tam tersi. Başlangıçta IBM Waston Araştırma Merkezi'nde yazılım araçları ve teknoloji grubunun yöneticisi olarak çalıştı. Şu anda Chicago'daki Illinois Üniversitesi'nde Wexler'in seçkin bir profesörü ve başkanıdır.
Kişisel sayfasına göre, Profesör Shilun Yu 300'den fazla ABD patentine sahiptir ve aynı zamanda bir ACM ve IEEE akademisyenidir. Ana araştırma alanı veri madenciliği, özellikle grafik veri / ağ madenciliği, makine öğrenimi, sosyal medya, özel veri yayınlama, veri akışı, veritabanı, İnternet uygulama teknolojisi vb.
Bilgisayar Bilimi ve Elektronik için En İyi H-Endeksi (önceki veriler, şimdi veriler güncellendi)
Profesör Yu Shilun çok düşük konuşur ve nadiren medya ile iletişim kurar. Son zamanlarda, Xin Zhiyuan, Tsinghua Park'taki bu üst düzey bilim insanıyla özel bir röportaj yapmaktan büyük onur duydu ve uzun yıllardır bilgisayar bilimi alanında bulunan bu bilim insanı ile yapay zekanın seçimi konusundaki görüşleri hakkında sohbet etti.
Konuşma başladı, Xin Zhiyuan sordu, sıradan bilim adamları akademik yolda Profesör Yu Shilun'un akademik yüksekliğine nasıl ulaşabilirler?
Yu Shilun, " Aslında, başka herhangi bir alan gibi özel bir şey yok, yatırım yapmak, ilgilenmek ve biraz da rekabetçi olmak. Herhangi bir şeyde küçük bir başarı elde etmek için ilk şey, çok zaman alan yatırımdır. Sabah sekizde işe gidip öğleden sonra beşte işten ayrılırsanız, fazla bir şey yapamazsınız. Buna ek olarak, hevesli olmalısınız. Sevdiğiniz şeyler için, geç saatlere kadar fazla mesai yapıp yapmamanız önemli değil. İşleri iyi yapmak istiyorsanız, tıpkı Jobs gibi, yaptığınız her şeyi sevmelisiniz. Aslında, mesele sadece para kazanma meselesi değil, aynı zamanda bilimsel araştırma yapmak, ne yaptığın konusunda kendini iyi hissetmelisin. Memnuniyet ve başarı peşinde koşmak için biraz hırs da var. İlerlemek için zaman ayırmaya hazırsınız. Bu, tüm endüstriler için geçerlidir. "
Bugün en iyi on algoritmayı yeniden seçerseniz, derin öğrenme ve öneri algoritmalarını ekleyin
Google Scholar araması aracılığıyla, Yu Shilunun en çok alıntı yapılan makalelerinden birinin, veri madenciliği için en iyi 10 algoritma hakkında bir inceleme makalesi olduğunu gördük: "Veri madenciliğinde en iyi 10 algoritma", C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes ve CART, 2008 yılında yayınlanan toplam 10 algoritmaya sahiptir.
Bugün, derin öğrenme çok sıcak olduğunda, ondan en etkili 10 algoritmayı önermesi istenseydi ne farklı olurdu?
Profesör Shilun Yu dedi ki, Her şeyden önce derin öğrenmeyi içine koymalıyız. Makale 2008'de yayınlandığında, akademik çevrenin derin öğrenme üzerine bazı ön araştırmaları olmasına rağmen, şimdiki kadar popüler değildi. Veri hacmindeki hızlı büyümenin ve donanım performansı iyileştirmelerinin, derin öğrenmenin hızlı gelişimini de desteklediğine inanıyor. İkincisi, işbirliğine dayalı filtreleme algoritmasıdır (işbirliğine dayalı filtreleme) E-ticaretten doğdu ve uygulaması gittikçe daha kapsamlı hale geldi.Tıbbi bakım gibi birçok farklı alanda işbirlikçi öneri algoritmalarının ilgili uygulamaları var.
Wikipedia'ya göre: Collaborative Filtering (İngilizce: Collaborative Filtering), basit bir ifadeyle, benzer ilgi alanlarına ve ortak deneyime sahip bir grubun tercihlerini kullanıcıların ilgilendikleri bilgileri tavsiye etmek için kullanmaktır. Bireyler, bir işbirliği mekanizması aracılığıyla bilgilere önemli ölçüde yanıt verirler ( Puanlama gibi) ve filtreleme amacına ulaşmak ve başkalarının bilgiyi filtrelemesine yardımcı olmak için kaydedin.Yanıtlar, özellikle ilgili olanlarla sınırlı değildir ve özellikle ilginç olmayan bilgilerin kaydı da çok önemlidir. İşbirlikçi filtreleme, derecelendirme veya sosyal filtrelemeye bölünebilir.
Yu Shilun, önerilen teknikler hakkında derinlemesine araştırmalara sahiptir. Tavsiyenin bir sınıflandırma ve kümeleme tekniği gibi olduğuna ve derin öğrenmenin de tavsiyelerde bulunabileceğine inanıyor. Derin öğrenme, esas olarak özellikleri bulmak için kullanılır ve özelliklere göre önerilerde bulunulabilir. Önerilerin birçok uygulaması vardır.Ürünler önerilebilir, filmler, tedavi ilaçları ve hatta reklamlar da önerilebilir. Tavsiye sistemleri üzerine ACM Konferansı, uzun süredir takip ettiği bir konferanstır.
Bilgisayar aslında bir uygulama alanı, tıp, ulaşım ve diğer uygulama alanları konusunda iyimserim
Sanayiden akademiye dönme tecrübesiyle bir ilgisi olabilir, röportajda Profesör Shilun Yu teknolojiye uygulama perspektifinden bakmayı tercih ediyor. Xinzhiyuan'a bilgisayarların aslında bir uygulama alanı olduğunu söyledi. Bu tür uygulama senaryoları nedeniyle bu teknolojileri geliştiriyoruz. İnternet yoksa, aramamıza gerek yok ve aramayla ilgili çok fazla araştırma olmayacak. E-ticaret yoksa bir öneri algoritmasına gerek yoktur, sadece bir tezgâhtarın önerisine ihtiyaç vardır.
Uygulama perspektifinden Yu Shilun'un araştırması akıllı tıp veya hassas tıp içerir. Yakın zamanda KDD üzerine bir makale yayınladı ve beyin hastalıklarının teşhisine yardımcı olmak için derin öğrenme teknolojisini kullanma yöntemi önerdi. Ancak akıllı tıbbın, özellikle hassas tıbbın hala emekleme döneminde olduğuna inanıyor ve bunu önerilen bir teknoloji olarak görüyor. Ek olarak, yapay zeka, kentsel bilgi işlem ve trafik tahmininin başka bir sıcak alanında, kendisi ve araştırma ekibi de son yıllarda verimli araştırma sonuçları elde etti.
"Veri madenciliği, sosyal ağlar ve bilgi yayma gibi gerçek uygulama senaryolarında yapılmalıdır." Yu Shilun, Xin Zhiyuan'a şu anda sosyal ağların araştırma alanında, daha çok ilgisinin Spam (sahte haberler) tanıma olduğunu söyledi. .
Dedi ki: "Örneğin, ünlü Dianping, üzerinde çok fazla sahte veri varsa, sahte bir tanesiyle karşılaştığınızda asla kullanmak istemeyebilirsiniz."
Ona göre, öneri teknolojisi veya diğer tahmin ve tanıma teknolojileri iyi olsun, hepsi yapay zeka olarak kabul edilir ve hangi zeka düzeyinin yapay zeka teknolojisi olarak kabul edilebileceği konusunda net bir ayrım çizgisi yoktur. Bu görüş, teknolojiyle ilgili araştırma yapmaktan ziyade uygulamalar etrafında araştırma yapma yaklaşımına uygundur.
Uygulama alanları ile ilgili olarak Yu Shilun, hassas tıp konusunda oldukça iyimser. Dedi ki: "Aslında bugün hastalıkları tedavi etme yöntemlerimiz çok kaba. Örneğin, bir hasta kemoterapi istiyorsa, onun için hangi ilaçların etkili olduğunu bilmiyoruz. Sadece istatistiksel olarak konuşursak, A ilacı hastaların% 20'si için etkilidir. Etkili, B ilacı hastaların% 10'unda etkilidir ve C ilacı hastaların% 5'inde etkilidir.Doktor denemeye A'dan başlayacaktır, ancak gerçek durum C'nin mevcut hastalar için daha uygun olması olabilir. Geleneksel yolu izlerseniz, C'yi denememiş olabilirsiniz. , Hasta artık tutamaz. "
Göğüs kanseri ve akciğer kanseri gibi AI teşhisleri araştırmada uzman seviyesine ulaştı, peki hassas tıp tavsiyesi nerede?
Yu Shilun, "Çin hastaneleri arasındaki veriler birbirine bağlı değil ve Amerika Birleşik Devletleri'nde daha zor. Hala uyumlu olmayan birçok tarihsel veri var, ancak ideal durum tüm hasta verilerini birleştirmektir. Bu nedenle, e-ticaret devlerinin aksine, yeterli veri olduğu sürece. İşte bu. Ortak çalışma önerisi yeterli sayıda kullanıcı gerektirir, aksi takdirde öneri olmayacaktır. "
İyi. Derin öğrenme teknolojisi tıbbi bakıma ne ölçüde uygulanabilir? Yu Shilun inanıyor: " Tarihsel deneyimlerden herhangi bir teknolojiye öylece bakamazsınız. Bu kadar çok insan araştırma yaparken, bugün pek uygun olmasa da, bir süre sonra bazı yeni atılımlar olabilir. "
Büyük veri kraldır, ancak asıl zorluk verilerin nasıl entegre edileceğidir
Yapay zeka patlamasından önce, büyük veri en sıcak olanıydı. Daha sonra, bilgi işlem gücü ortaya çıktı ve diğer yönler olgunlaştı ve yapay zeka dalgası geldi. Büyük veri, yapay zekanın başlangıcı gibidir.
Son zamanlarda Xinzhiyuan, "derin öğrenmenin geleceğinde [1 milyar + veri seti, ImageNet bin kez] bir makale yayınladı, Google verileri kral olarak tanıyor", makale Google tarafından yürütülen dev bir deneyi tanıttı ve verilerin yapay zeka performansı üzerinde önemli etkileri olduğunu buldular. etkiler. Veriler büyüdükçe, modelin bilgisayarla görme görevlerini tamamlama performansı keskin bir şekilde arttı. ImageNet'in 300 katı ölçeğinde bile, performans platformla karşılaşmadı. (Bir günlük Google makale içeriği toplamı ekleyin). AI'da "hesaplama şiddeti" var ve şimdi "veri şiddeti" eklendi. Ancak büyük veri hangi zorluklarla karşı karşıya?
Yu Shilun'a göre, verinin en zor sorunu yeterince büyük olmaması değil, her türlü veriye sahibiz, bunları nasıl entegre edeceğiz.
Derin öğrenme, derin iyi şeyleri sürükleyerek derinliğe daha fazla vurgu yapabilir. Büyük veri madenciliği yalnızca derin değil, aynı zamanda geniş gerektirir.
Düşündüğümüz şey, bir sorun geldiğinde, Hangi veriler daha iyi yapmanıza yardımcı olabilir? Örneğin, şimdi arabanın Tsinghua Üniversitesi'nden Wangfujing'e gitmesinin ne kadar süreceğini tahmin etmemiz gerekiyor. Elbette tahmin etmek için geçmiş verileri kullanabilirsiniz, bu sadece bir tür veri. Trafikle ilgili içeriği içeren sosyal medya verileri gibi her türlü veriye sahibiz. Örneğin, birisi bugün Dördüncü Çevre Yolu'nun belirli bir bölümünde bir araba kazası olduğunu söyledi, bu nedenle Dördüncü Çevre Yolu'nu geçmenin muhtemelen bloke olacağını biliyorsunuz.
Başka bir örnek olarak, bugün Tsinghua Üniversitesi'nde bir geçit töreni var veya fiyatları düşürmek için yolda bir durak var, bu varış saatini etkileyecek.
Başka bir örnek olarak, hava faktörlerini de göz önünde bulundurabiliriz.Örneğin, şiddetli yağmur yağacağını öğrenirseniz, Tsinghua Üniversitesi'nden Wangfujing'e kadar olan verileriniz de etkilenecektir.
Öyleyse anlamamız gereken, bu verilerin nasıl bir araya getirileceğidir. Bu verileri bir araya getirmenin bir yolunu bulursanız, tahminleriniz daha doğru hale getirilebilir, bu yüzden kapsamlı öğrenmeyi vurguluyoruz.
Ancak büyük verinin entegrasyonu basit değil , Farklı veri kaynaklarının farklı öznitelikleri vardır.Sosyal ağlarda metin verileri vardır.İnsanlar arasındaki ilişki ağ yapısı üzerindeki verilerdir.Onları nasıl entegre edersiniz? Her veri kaynağının doğruluğu farklıdır ve bazı veri kaynakları sıralanmıştır ve çok güvenilirdir. Bazı verilerde kaldırılması gereken biraz gürültü vardır.
Ne kadar alakalı veri bulursanız, doğruluk o kadar iyi olabilir. Anahtar, almak istediğiniz verilerin sorunu çözebileceğidir.
Veri kaynaklarına gelince, Yu Shilun üç tane olduğuna inanıyor: 1. Bazı veriler kuruluşta benzersiz olabilir.Örneğin, Tencent'teyseniz WeChat verilerine sahip olabilirsiniz.Ardından, Honor of Kings gibi bir oyunda WeChat ek verileri ekleyebilirsiniz. Öneri daha iyi olabilir. 2. Halka açık veriler de vardır, taramanız ve aramanız gerekir; 3. Satın alınabilecek veriler de vardır.
Büyük verinin okul araştırmalarına etkisi ile ilgili olarak, açıkçası, Asıl sorun, okulun kendisinin veriden yoksun olmasıdır. Okul öğretmenleri, Tsinghua ve Tencent'in ortak laboratuvarı gibi endüstri ile işbirliği yapacaklar çünkü Tencent veri avantajına sahip. Ancak bu yöntemin de bazı sorunları var, bu yüzden bazı öğretmenler sektöre kolayca gidiyor.
Fengshui rotasyonu, teknolojik gelişimin normal durumudur, ancak derin öğrenme zirveye ulaşmaktan çok uzaktır.
Veri madenciliği Profesör Yu Shilun'un önemli bir araştırma alanıdır.Yaşamının büyük bir kısmında bu yönle uğraşmaktadır.Sıcak derin öğrenme teknolojisi veri madenciliği alanında farklı ilerlemeler getirdi mi?
Yu Shilun, derin öğrenme veri madenciliğinin çok yardımcı olduğuna ve büyük miktarda veri için en iyi yöntemlerden biri olduğuna inanıyor.
Çok erken icat edilmiş olmasına rağmen, derin öğrenme elbette çok popüler. Her teknoloji farklı koşullar altında geliştirilir, ancak nesnel durum değişecektir.
Derin öğrenme, icat edildiğinde mevcut duruma göre icat edilmedi, ancak güncelliğini yitirdi. Veri miktarı büyüdükçe, her algoritma derin öğrenme kadar ölçeklenebilir değildir ve paralellik için uygun değildir. Sadece mevcut objektif koşulların derin öğrenme için çok uygun olduğu ve iyi sonuçlar verebileceği söylenebilir. Ancak asıl amacı bu değil, kasıtsız olduğu söylenebilir.
Xinzhiyuan bir kez bir makale yayınladı [NLP'nin Tripod Üzerine Düşünceleri] Derin öğrenme, Kenneth Church'ün "A Pendulum Swung Too Far" (A Pendulum Too Far Too Far) adlı kitabından çevrilen rasyonalizmin sonu değil, ampirizmin yeni zirvesidir. Makale şimdi olduğumuzu düşünüyor Deneycilik Zirve ve hızla klasiğe geri dönecek Akılcılık . Üst düzey bilim adamı Yu Shilun, bu iki teknolojik yönün gelişme eğilimlerini nasıl görüyor?
Yu Shilunun cevabı yine basitti: " Fengshui dönüşleri genellikle teknoloji dahil her yerde olur. "Bazen belirli bir yöntemi özellikle severiz, ancak bir süre sonra o kadar yararlı olmayabilir, o zaman bazı temel klasik kuralları ortaya koymamız gerekebilir.
Ama Yu Shilun, "Derin öğrenmenin önemini yakın zamanda kaybedeceğini düşünmüyorum." Dedi.
"Çok fazla veri var. Metin, resim, video ve diğer veriler için derin öğrenmeyi kullanıyoruz ama bu çözümler çözüldükten sonra yapacak bir şey yok mu? Çeşitli alanlarda sürekli yeni veriler ve uygulamalar vardır. Belirli bir alandaki bir sorun çözülebilir, ancak başka yerlerde yeni sorunlar ortaya çıkmaktadır. Kısa vadede, derin öğrenme mevcut tüm sorunları çözemez. "
Bir örnek verdi: "Örneğin, Derin modellerin farklı alanlarda ve heterojen verilerde genelleme yeteneği hala zayıf , Tsinghua ekibimiz dünyada ilk kez derin model aktarımı öğrenme ile ilgili yöntemler ve teorik araştırmalar gerçekleştirmiş ve önemli atılımlar gerçekleştirmiştir. Başka bir örnek olarak, etkili denetimsiz öğrenmeye ulaşmak için derin modelden yüksek kaliteli metin görüntülerinin ve videoların otomatik olarak nasıl üretileceği hala yapay zekanın sınır konusudur.Tsinghua ekibi ayrıca derin Bayes ağları ve derin üretken ağlar kurdu. Uluslararası etki ile çalışın. Hiç çalışılmamış daha zorlu konular var. "
Yu Shilun, daha önce de belirtildiği gibi, hassas tıbbın belirli bir hastalık için bir teşhis ve tedavi planı önerdiğini, ancak binlerce hastalığımız olduğunu, dolayısıyla bunun hiç başlamadığı söylenebilir.
Dedi, genel ortam değişiyor, yeşil enerji istiyoruz, zeki olmak istiyoruz ve farklı sorunlar ortaya çıkacak. Geçmişte, termik enerji üretimi ihtiyaç duyduğunuz kadar elektrik üretecektir. Daha sonra, güneş ve rüzgar enerjisi üretimi söz konusu değildi, güneş mi yoksa rüzgar mı oldu. Akıllı şebekeler, arz ve talebe göre esnek fiyatlandırmaya ve denge fiyatlandırmasına sahip olmalıdır. Ayrıca akıllı şehirler, Nesnelerin İnterneti, eğitim vb. Her tarlada madencilik yapılabilecek çok sayıda veri üretilmesi gerekiyor Pek çok talep var ve derin öğrenme potansiyelini tam olarak kullanmadık ve zirveye ulaşmaktan çok uzağız.
Endüstriden akademiye, Illinois'den Çin, Tsinghua'ya dönüş, hala genç
Yu Shilun, kariyerine endüstride (IBM WASTON) başladı ve ardından akademiye geri döndü. Şimdi, ister Çin'de ister Amerika Birleşik Devletleri'nde, birçok akademik araştırmacının endüstride gelişmesi daha yaygındır. Yu Shilun bugün bu fenomeni nasıl görüyor?
Endüstri ve akademinin birbirleriyle iletişim kurmasının normal olduğuna inanıyor: "Bilgisayar alanı uygulama odaklıdır. Gerçek uygulamalardan ayrıldığımızda bile verilere sahip değiliz."
Ayrıca Google'ın kurucusunun Page Rank makaleleri yazarak başladığı ve sonunda bu teknolojiyi Google'da uyguladığı bir örnek verdi. Stanford müdürü John Hannes, birkaç yıllığına bir şirket açmaya bile gitti ve sonra okul müdürü olmak için akademiye döndü. Bazı insanlar akademi sever, ancak bazen gerçekten etkili olup olmadıklarını görmek için sektörde doğrulamak istedikleri bazı fikirleri vardır.Kendini sektöre tam olarak adamamış olabilir ve üç ila beş yıl içinde akademiye dönebilir. Tabii ki, bazı insanlar sektörde kalıyor ve iş kurmak için dışarı çıkan profesörler var. Bunlar kötü fenomen değil, iyi şeylerdir.
Şu anda Yu Shilun, Çin ve Amerika Birleşik Devletleri'nde iki okulda çalışıyor. Tsinghua Üniversitesi'ne atanmasıyla ilgili olarak şunları söyledi: "Daha önce Tsinghua Yazılım Enstitüsünde konuk profesördüm. Uzmanlığım büyük veri madenciliği. Okul büyük veri bilimi araştırma enstitüsü kurmak istediğinde , Doğal olarak beni hesaba katın. Çinin teknolojik gelişiminin son yıllarda çok hızlı olduğunu ve büyük verinin de yıkıcı bir teknoloji olduğunu düşünüyorum. "
Çin kağıtlarının yalnızca nicelikli olduğunu, niteliği olmadığını kim söyledi? Son on yılda inanılmaz gelişme
Uzun yıllardır Amerika Birleşik Devletleri'nde bulunan Çinli bir bilim insanı olan Yu Shilun, Çin'deki araştırma seviyesinin son on yılda şaşırtıcı derecede hızlı arttığına inanıyor. On yıl önce, Çin'de birinci sınıf dergiler arasında çok fazla makale yoktu, ama şimdi Çin'de çok fazla makale var. "Bilgisayar bilimi alanında, Çin'in kağıtları toplam Avrupa'yı aştı. Birkaç on yıl önce Japonya'nın harika olduğunu düşündük, ama şimdi Japonya hiç de iyi değil."
Yu Shilun, Çin gazetelerinin sayısının fazla olmadığını ancak kalitesinin düşük olduğunu düşünerek, Çin'in Tsinghua Üniversitesi gibi en iyi üniversitelerindeki kağıtların kalitesinin birinci sınıf olduğunu söyledi.
Yu Shilun, şüphe etmeyin dedi: Çin teknolojimiz çok hızlı yükseliyor, bu kesinlikle doğru. Özellikle bilgisayar alanında
Yeni teknolojiyle dolu, herkes hemen hemen aynı şekilde başladı, kolayca yetişebiliriz. Üstelik Çin'in araştırma fonu, ABD'nin araştırma fonunun azalmasının aksine arttı.
Ben baharatlı küçük bir yumurtayım
Xinzhiyuan: Bir süre önce LeCun ve Yoav, arXiv'in yeterince titiz olmadığını ve insanların sık sık onu suyla doldurduğunu savundu.Çin'deki bazı insanlar arXiv'in resmi bir makale olarak değil, BBS olarak görülmesi gerektiğini öne sürdü. ArXiv hakkında ne düşünüyorsunuz?
Yu Shilun : Herhangi bir zararı yoktur. Her şey istismar edilebilir. ArXiv'i kağıtları depolamak için bir yer olarak düşünüyoruz. Son çalışmamla ilgilenen varsa, gidip gör. Ve arXiv'deki herkes aynı zamanda ünlü araştırmacıların veya ünlü okul takımlarının makalelerini de okuyor, her neyse, sulayanlar genellikle onu görmeyecekler, bu yüzden pek bir zararı yok.
Referans listesi:
-
Bilgisayar Bilimi ve Elektronik için En İyi H-Endeksi: http: //www.guide2research.com/scientists/
-
Veri madenciliğinde en iyi 10 algoritma:
-
Wikipedia: https://en.wikipedia.org/wiki/Philip_S._Yu
-
Google Bilgin: https://scholar.google.com/citations?user=D0lL1r0AAAAJhl=zh-CN
-
[Güçlü çalışma üzerine NLP yansıması] Derin öğrenme, rasyonalizmin sonu değil, ampirizmin yeni zirvesidir
İş ayrıntılarını görüntülemek için orijinal metni okumak için tıklayın ve katılmanızı dört gözle bekleyin ~
