迈克尔·乔丹 (学者)

维基百科,自由的百科全书
跳转至: 导航搜索

迈克尔·I.乔丹(Michael I. Jordan)是知名的计算机科学统计学学者,主要研究机器学习人工智能。目前担任加州大学伯克利分校电机工程与计算机系和统计学系教授。

他的重要贡献包括指出了机器学习与统计学之间的联系,并推动机器学习界广泛认识到贝叶斯网络的重要性。他还以近似推断变分方法的形式化、最大期望算法在机器学习的普及方面的工作而知名。

乔丹1978年在路易斯安那州立大学获得心理学学士学位,1980年获亚利桑那大学数学硕士(统计学方向)。随后在加州大学圣地亚哥分校David E. Rumelhart攻读,于1985年获认知科学博士学位。在此期间,他发展了一种认知模型,称为Jordan网络,是递归神经网络的一种。

1986-1988年,乔丹在马萨诸塞大学做博士后研究。1988-19​​98年,来到麻省理工学院脑与认识科学系,先后任助教授、副教授和教授。1998年后转到伯克利。近年来他更多地从传统统计学的角度研究人工智能。

乔丹是美国国家科学院美国国家工程院美国艺术与科学院院士,IEEEACM[1]SIAMAAAI等学术机构的会士。他也是2007年IEEE神经网络先驱奖[2]、2009年ACM/AAAI Allen Newell奖[3]的得主。

值得一提的是,乔丹的许多学生和博士后包括Zoubin Ghahramani, Tommi Jaakkola, Andrew Ng, Lawrence SaulDavid Blei等,也已经成为机器学习领域的重要学者。

参考[编辑]

外部链接[编辑]