网站备案 广东链接转二维码
5月17日早间消息，百度公司今天宣布，任命人工智能领域最权威的学者之一——吴恩达(Andrew Ng)博士为百度首席科学家，全面负责百度研究院。百度研究院在硅谷和北京设有实验室。
那么Andrew Ng是谁？
Andrew Ng，中文名吴恩达，华裔美国人，他是斯坦福大学计算机科学系和电气工程系的副教授，斯坦福人工智能实验室的主任，时代全球最具影响力百大人物之一。
在教学之外，他还有两个重要身份：在线教育平台Coursera联合创始人。他也是“深度学习”领域的顶级专家，曾领导谷歌的深度学习项目——Google Brain。
Andrew Ng是谁？凭什么他能和“百度大脑”擦出火花？（http://www.duozhi.com/leader/20140515/1402.shtml）中有比较客观的介绍。
个人认为贡献比较大的两个方面：
一是斯坦福公开课机器学习的主讲。有兴趣的戳这里：斯坦福大学公开课 ：机器学习课程
二是在线教育平台Coursera的联合创始人。【吴恩达(Andrew Ng)和达芙妮·科勒(Daphne Koller)Coursera.org】
知乎的说明更加亲切：
吴恩达 (Andrew Ng)，斯坦福计算机系的副教授，师从机器学习的大师级人物 Michael I. Jordan。
同门师兄弟包括Zoubin Ghahramani, Tommi Jaakkola, Eric Xing, David Blei, 徒子徒孙遍布美国名校，他们这一大学派的主要研究和贡献集中在 统计机器学习（Statistical Machine Learning）和图模型(Probabilistic Graphical model),具体的比如 Spectral clustering, Nonparametric Bayesian Methods,Variational Methods等等。
现在图模型和 Nonparametric Bayesian Methods 都是机器学习领域炙手可热的研究方向。Michael Jordan的研究很好的将统计和机器学习联系了起来，将Variational Methods发扬光大，他也还身兼统计系和计算机系教职。
吴恩达的学术研究兴趣比较广(andrew Y ng - Google Scholar Citations)，做的东西有比较理论的，但更多的是理论和应用的结合。他的一作主要集中在Spectral Clustering ,Unsupervised Learning 和增强式学习(reinforcement learning)，机器学习的很多方面都有涉及，比如feature selection， over-fitting，policy search。由于做reinforcement learning和unsupervised learning, 所以有很多项目是和机器人有关的,他也发起了ROS(Robot Operating System),一个开源的机器人操作系统，影响力很大。其他的参与的研究就很多了，Michael Jordan那一片的统计机器学习都有参与，在图模型领域也有很多非常优秀论文，比如自然语言处理(NLP)的神器Latent Dirchlet Allocation(LDA) 那篇论文他也有贡献。
他现在的研究兴趣主要是深度学习(Deep Learning)，深度学习说白了就是死灰复燃的神经网络(Neural Network), 神经网络的一代鼻祖是多伦多大学的Geoffrey Hinton。 Geoffrey Hinton和吴恩达一起在Google搞深度学习 (Google Brain Project)，他们俩现在在这一块的论文很多，影响力很大。
总体而言他是顶级的机器学习研究者，在斯坦福是tenured professor已经说明了这点，至于Lab Director，和学术无关，只要是教授都可以成立一个实验室自己当主任(Director)，不要把主任拿过来说事。
更重要的是，他在学术圈内圈外知名度很高！除了师承之外，还有一个重要原因是他在斯坦福公开课里面主讲机器学习，讲的的确是非常好，在工程界非常受欢迎，后来和Daphne Koller (机器学习界的一姐和大牛，《Probabilistic Graphical Models: Principles and Techniques》一书的作者)一起成立了Coursera。
吴恩达对慕课(MOOC)和Coursera的贡献我就不赘述了。
另外吴恩达会说中文，出生于英国，高中毕业于新加坡的Raffles Insitution，本科毕业于卡耐基梅隆大学，硕士在麻省理工，博士毕业于伯克利，早年在香港和英国生活过（有没有觉得他说英语有怪怪的和英式英语混杂的感觉?）。
个人感觉：
如果仅用传统的机器学习理论，没有依据数据本身及应用场景这些先验知识做出简化，很难做出漂亮的工业产品。