当前位置: > 留学百科 > 普林斯顿学生深入学习深度计算

普林斯顿学生深入学习深度计算

10月16日至17日,大约60名普林斯顿的研究生和博士后,以及一些本科生,探索了最广泛用于计算机视觉任务的深度学习技术,并深入研究了使用新的并行计算程序来显著加速应用程序。

自从20世纪50年代早期乐观情绪高涨以来,人工智能的小型子集,首先是机器学习,然后是深层学习,已经造成了越来越大的破坏。

这两个为期两天的讲习班由NVIDIA深层学习研究所的专家领导,由普林斯顿计算科学与工程研究所(PICSciE)赞助,该学会是普林斯顿研究计算联合会的一部分,由统计和机器研究中心Le共同赞助。阿宁。

深度学习,也许是机器学习中最迅速发展的分支,按照人脑分析信息和做出预测的复杂和非线性方式,对它自己进行松散建模。计算机视觉程序员意识到,到3岁时,幼儿已经吸收了关于他们在周围世界看到的数以亿计的物体的信息;正是这种庞大而多样的数据输入训练他们识别出在非常不同的环境中相同的物体。

NVIDIA解决方案架构师Brad Palmer说:“我们训练人工神经网络,以某种类似的方式识别和分类事物。”“算法在识别物体方面做得越好,它在各种情况下看到的物体就越多。”(普林斯顿大学教授、保罗·M·怀斯和玛西娅·R·怀斯计算机科学教授以及PICSciE的一名联合教授参加了创建世界大型计算机的团队。视觉数据库,Imagenet,计算机视觉程序员的重要培训资源。

普林斯顿大学计算机科学博士生Ksenia Sokolova参加了这次深入学习研讨会,她与计算机科学教授Olga Troyanskaya和Lewis-Sigler综合基因组学研究所以及PICSciE的一名相关系共同参与了一个研究项目。Sokolova说,她参加了研讨会,因为这项技术在基因组学研究和精密医学的潜力。“目前我正在研究一种深度学习模型,它将帮助我们更好地了解DNA突变与人可能患有的疾病之间的依赖关系,”她说。

普林斯顿学生深入学习深度计算计算机科学博士生Ksenia Sokolova,右,在贾德温大厅举行的终日深层学习研讨会上,与地球科学研究生Ryan Manzuk闲聊。

索科洛娃补充道:“基因组学非常适合于深层学习;有大量复杂的数据需要解释。我认为这些方法和应用的广泛知识很重要,我发现这个研讨会是一个精心准备的、结构化的介绍,介绍神经网络及其在计算机视觉中的应用。

“当人们开始深入学习时,他们没有意识到培训参数对绩效的影响程度。”例如,低精度是由于网络被训练的方式,而不是因为网络体系结构。

Troyanskaya说:“我们可以利用这些信息给出单个影响评分,以表明突变是否似乎是人类疾病突变,以及它是否可能起作用。”她的跨学科小组包括生物信息学、机器学习、统计学、算法和生物学方面的专家,共同将计算预测转化为关于诸如阿尔茨海默病、孤独症、乳腺癌和肾脏病等不同研究领域的可验证的假设。ASE

NVIDIA高等教育研究小组的两名成员Ronak Shah和Jonathan Bentz指出,他们每次与教师和学生研究人员互动时,“普林斯顿差异”是明显的。Shah说:“在普林斯顿,我们看到一种进步的科学方法,具有数量独特的国产应用,例如由Jeroen Tromp领导的理论和计算地震学小组创建的开源软件包。”普林斯顿的高研究产出和研究者开发新的计算科学技术的数量。

本茨补充道,“普林斯顿研究计算与大学研究小组之间的关系非常令人兴奋。PICSciE和OIT研究计算的组织方式使得该大学的高性能计算资源、其工作人员和在各自领域继续进行开创性工作的研究小组之间具有高度生产力的合作。”

普林斯顿学生深入学习深度计算

自从20世纪50年代早期乐观情绪高涨以来,人工智能的小型子集,首先是机器学习,然后是深层学习,已经造成了越来越大的破坏。

自从20世纪50年代早期乐观情绪高涨以来,人工智能的小型子集,首先是机器学习,然后是深层学习,已经造成了越来越大的破坏。

Image courtesy of NVIDIA 普林斯顿学生深入学习深度计算

计算机科学博士生Ksenia Sokolova,右,在Jadwin Hall举行的一天的深度学习研讨会上,休息时间与地理学研究生Ryan Manzuk交谈。

计算机科学博士生Ksenia Sokolova,右,在Jadwin Hall举行的一天的深度学习研讨会上,休息时间与地理学研究生Ryan Manzuk交谈。

Photo by Florevel Fusin-Wischusen, Princeton Institute for Computational Science and Engineering

打赏作者

普林斯顿学生深入学习深度计算:等您坐沙发呢!

发表评论

表情
还能输入210个字