Никола Караманов получава образованието си от университета на Торонто в Канада. Печелил е награди за математика и развойна дейност общо в размери над $40000 (CAD), а през 2007-ма имплементира първата си невронна мрежа. С нещо ще ви срещнем на събитието Unsupervised Learning with Restricted Boltzmann Machines, на 11-ти февруари. Преди това, Никола ни сподели за интересни моменти в своята работа, за успехите и предизвикателствата, с които се е сблъсквал.

Как започна да се занимаваш с Machine Learning?

От много малък съм заинтригуван от чудото на човешкия мозък. През 2006-та година бях голям слушател на аудио курсове на тема биология, философия и наука като цяло. Една от тях беше на тема как работи човешкият мозък на биологично ниво. Лекторът спомена накратко, че има хора, които използват математика и вероятности, за да симулират невронни мрежи. Тогава бях навлязъл в най-трудните курсове по статистика и математика. В университета на Торонто имахме възможност да си избираме до голяма степен курсовете, които взимаме за покриване на изискванията. Имахме една голяма книга с всички курсове, които се предлагат за началото на 2007-ма година.

Потърсих там нещо за невронни мрежи и се оказа, че има курс точно на тази тема. Веднага се записах. По това време имплементирах първата си невронна мрежа, но това беше извън курса. Това беше най-интересното нещо, което бях учил до тогава и го преподаваше Джефри Хинтън.

Кой е най-интересният аспект от работата ти с Machine Learning?

Най-интересният аспект е вникването в съзнанието на човека и начина, по който се обработва информацията в природата.  Мозъкът е един апарат за тази обработка, еволюирал, за да използва информацията за вземане на решения. Математиката, теорията на информацията и теорията на решенията ни подсказват, че той използва принципи, сходни на тези в статистическата физика. Затова машините на Болцман винаги са ми били толкова интересни.

Кое е най-голямото технологично предизвикателство, с което си се сблъсквал?

В момента във Visteon измислям и усъвършенствам алгоритми, чрез които една кола придобива представа за заобикалящата я среда и за себе си. Това е изключително сложен проблем, който изисква огромна инженерна креативност и интуиция за природата на информацията. За индустриални цели се спазват най-високите нива на безопасност и валидация, което означава, че има допълнителна рамка, в която трябва да се вместят алгоритмите.

Как го разреши/разрешихте?

Всеки ден се уча на нови неща, които ми позволяват да поглеждам проблема от различни гледни точки. Процесите, чрез които се развива науката / неправилно наречен ,, научен метод“/ са ми като пример за това как трябва да се разрешава един технологичен проблем. Сам човек не може да постигне успеха. Най-малкото се нуждае от диалог, за да оформи идеите си- трябва да е част от група. Следете публикациите ни относно това.

Ще споделиш ли трите най-важни неща, които ИТ обществото може да научи от темата на предстоящата ти презентация?

  1. Една машина може да се обучи да обяснява и симулира входните си данни, без да има зададена конкретна задача.
  2. Ограничените машини на Болцман се опитват да намерят абстракции върху данните, които се съчетават с тях по статистически-оптимален начин.
  3. Ограничените машини на Болцман могат да се използват за инициализация на слоевете в дълбоки невронни мрежи.

Какво би посъветвал всички, които сега започват да се занимават с Machine Learning?

Поставяйте всичко под съмнение и мислете за себе си. Когато нещо не работи както очаквате, разберете защо.


Регистрирай се за събитието


Стани част от потребителска група на Machine Learning. Абонирай се и ще ти изпращаме информация за всичко, което предстои в групата.

Визия: Личен архив

Прочети още:
Васил Люнчев: Machine Learning има изключително широко приложение
Иван Митов: Най-интересният за мен аспект в machine learning е анализирането на резултатите и извличането на изводи

 

 

Share This