[] Hoe denk je nu over machine learning? >> het is interessant. Zoals ik al eerder zei, Ik wil me bezighouden met robots, Ik wilde echt robots bouwen
en ik dacht Dat robots bouwen is te maken heeft
met mechanical engineering Dus ik begin is mechanical engineering te bestuderen,
totdat ik me realiseerde dat het moeilijkste daarvan de 'robot-hersenen' zijn. Dat leidde mij naar
het vakgebied computer wetenschappen en toen realiseerde ik dat het moeilijkste onderdeel van
deze kunstmatige intelligentie het begrijpen van data is Zodoende kwam ik terecht bij machine learning
en haalde ik mijn doctoraat in machine learning. Zo dat is mijn reis van denken over robots, tot het enthousiast worden voor data en machine learning. En voor jou? >> Vergelijkbaar maar via een andere weg. Ik was niet bezig met het lezen van Issac Asimov
en het opbouwen van aspiraties om robots te bouwen. Ik werkte
echt met robots. Maar wat me echt bracht bij
machine learning is toen ik bezig was met een doel-volg-systeem, 
waarmee echt grote objecten als vliegtuigen gevolgd kunnen worden. Met daarbij dat het vliegtuig probeert
het doel-volg-systeem te ontwijken. Het probleempunt is dat die
systemen zicht echt bezighouden met de aanname dat je de fysieke eigenschappen
van het vliegtuig kent en dat je weet dat er naar rechts of links
gedraaid wordt. Dit zijn de fysieke eigenschappen als het vliegtuig
recht vliegt of aan het landen is. Zo bouwden we modellen gebaseerd
op de fysieke eigenschappen van het systeem. Voor allerlei verschillende situaties, maar wat zou er gebeuren als het ding iets zou
doen wat we niet voorzien hadden dan zou het systeem zich willen aanpassen 
en zeggen het is gewoon snel aan het wisselen tussen een
linkerdraai en rechterdraai. Maar dat beschreef niet wat er
echt gebeurde. Dus dacht ik dat er een betere manier moet
zijn om de parameters te leren van de modellen die toepasten en op 
één of andere manier de onzekerheid inschatten over wat we
echte geloofden in het door ons gespecificeerde model. zodat het wat meer robuust wordt in
zulk soort situaties. Dat bracht me in de wereld van
machine learning en statistiek. >> Dus, zoals je gezien hebt, ik kwam van 
mechanical engineering en kwam daarna uit bij data en 
van daaruit bij machine learning. Komende vanuit electrical engineering en 
vliegtuig volg systemen uitkomende bij machine learning. Maar nu is het echt interessante, want we
zien mensen uit allerlei disciplines terechtkomen bij machine learning. We zien natuurkundigen 
enthousiast voor data, we zien biologen, >> sociale studies, filosofie. >> allerlei wiskundigen en
doe-het-zelf statistici We houden ons allemaal bezig met wetenschap,
>> ook kunst. Je wilt altijd kunst noemen. >> Inderdaan, op de Canegie Mellon opleiding waren ook sommige kunst studenten
die mij machine learning lessen volgden. Zij maakten echt kunstzinnige installaties
met binnenin machine learning. Dat is erg verbazingwekkend. Ik en mijn vriend gaven zelf les aan een klas over het bouwen van kunst installaties
die machinetaal gebruiken. Een grote varieteit aan met mensen met
verschillende achtergronden, leeftijdscategoriën, denken na over data sciencs, over
machine learning het het bouwen van intelligente toepassingen.
Ze zijn allemaal enthousiast voor data. En dat is cool. >> Het is cool: zo beëindigen we alle
chats in deze cursus. Het is cool. Het is cool. >> Het is cool. [Lachend] >> tot ziens. >> Cool [Lachend] []