Geoffrey J. Gordon

aus Wikipedia, der freien Enzyklopädie
Zur Navigation springen Zur Suche springen

Geoffrey J. Gordon ist ein Informatiker und Professor am Machine Learning Department der Carnegie Mellon University in Pittsburgh[1] und seit 2018 Forschungsdirektor des Microsoft Montréal lab.[2][3][4][5][6][7] Im Bereich maschinelles Lernen und künstliche Intelligenz erforscht er bestärkendes Lernen, statistisches und relationales Lernen,[8] und anytime Varianten des A*-Such-Algorithmus. Ein anytime Algorithmus kann eine halbwegs gute Lösung zurückgeben, auch wenn er unterbrochen wird, da er schnell ein Ergebnis produziert und es später verbessert.[9] Mitte 2018 veröffentlichte das Microsoft Lab TextWorld in Opensource Lizenz. Es generiert Spiele, die ein künstliches neuronales Netz trainieren können. Natürliche Sprache und bestärkendes Lernen passen noch nicht so richtig zusammen und die Veröffentlichung soll Forschung in dem Bereich anregen.[10][11]

1991 erlangte Gordon einen B.A. in computer science der Cornell University, und 1999 einen Phd der Carnegie Mellon Universität.[7]

Einzelnachweise[Bearbeiten | Quelltext bearbeiten]

  1. Geoff's Home Page. In: www.cs.cmu.edu. Abgerufen am 4. August 2018.
  2. Microsoft appoints Carnegie Mellon professor to head expanded Montreal AI research lab, itbusiness.ca, 2018-01-24
  3. Leaders in Davos acknowledge AI’s potential for good, but point to unanswered questions, Justin Trudeau twittering about Gordons appointment from WEF, itbusiness.ca. 2018-01-24.
  4. Here's Why Canada Can Win The AI Race, Forbes, 2018-03-13
  5. Canadian Tech Sector Thrives, but Struggles to Keep Its Talent, Wall Street Journal, 2018-02-08.
  6. Microsoft announces expansion of Montreal AI research lab, windowscentral, 2018-01-24.
  7. a b Geoff Gordon. In: Microsoft Research. Abgerufen am 4. August 2018 (amerikanisches Englisch).
  8. Gordon Geoffrey J. (1), Singh Ajit P.: Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. In: Relational Learning via Collective Matrix Factorization. ACM, New York, NY, USA 2008, ISBN 978-1-60558-193-4, S. 650–658 (englisch).
  9. Likhachev, Maxim; Gordon, Geoff; Thrun, Sebastian. "ARA*: Anytime A* search with provable bounds on sub-optimality". In S. Thrun, L. Saul, and B. Schölkopf, editors, Proceedings of Conference on Neural Information Processing Systems (NIPS), Cambridge, MA, 2003. MIT Press.
  10. Microsoft’s new TextWorld framework generates games to train AI models, siliconANGLE, 2018-07-13.
  11. TextWorld Soource Code