Amós Cigüeña

Académico británico de aprendizaje automático (nacido en 1971)

Amos James Storkey (nacido en 1971) es profesor de aprendizaje automático e inteligencia artificial en la Facultad de Informática de la Universidad de Edimburgo .

Storkey estudió matemáticas en el Trinity College de Cambridge y obtuvo su doctorado en el Imperial College de Londres . En 1997, durante su doctorado, trabajó en la Red Hopfield, una forma de red neuronal artificial recurrente popularizada por John Hopfield en 1982. Las redes Hopfield sirven como sistemas de memoria direccionables por contenido ("asociativos") con nodos de umbral binarios y Storkey desarrolló lo que se conoció como la "Regla de aprendizaje de Storkey" . ^{[1] [2] [3] [4]}

Posteriormente ha trabajado en métodos bayesianos aproximados, aprendizaje automático en astronomía, ^[5] modelos gráficos, inferencia y muestreo, y redes neuronales. Storkey se unió a la Facultad de Informática de la Universidad de Edimburgo en 1999, fue investigador de Microsoft de 2003 a 2004, nombrado lector en 2012 y presidente personal en 2018. Actualmente es miembro del Instituto de Computación Neural y Adaptativa. Director del CDT en Ciencia de Datos [2014-22] liderando el Grupo de Sistemas Bayesianos y Neurales. ^[6] En diciembre de 2014, Clark y Storkey publicaron juntos un artículo innovador "Teaching Deep Convolutional Neural Networks to Play Go". La red neuronal convolucional (CNN o ConvNet) es una clase de redes neuronales profundas, que se aplica más comúnmente al análisis de imágenes visuales. Su artículo demostró que una red neuronal convolucional entrenada mediante aprendizaje supervisado a partir de una base de datos de juegos profesionales humanos podría superar a GNU Go y ganar algunos juegos contra la búsqueda de árboles de Monte Carlo Fuego 1.1 en una fracción del tiempo que le tomó a Fuego jugar. ^{[7] [8] [9] [10] [ referencia circular ]}

Trabajo más citado

• Antoniou A, Storkey A, Edwards H. Redes generativas adversarias de aumento de datos. Preimpresión de arXiv arXiv:1711.04340. 12 de noviembre de 2017.[1] Según Google Scholar , ha sido citado 490 veces. ^[11]
• Burda Y, Edwards H, Storkey A, Klimov O. Exploración por destilación en red aleatoria. Preimpresión de arXiv arXiv:1810.12894. 30 de octubre de 2018. [2] Según Google Scholar, este artículo ha sido citado 368 veces ^[11]
• Burda Y, Edwards H, Pathak D, Storkey A, Darrell T, Efros AA. Estudio a gran escala del aprendizaje impulsado por la curiosidad. Preimpresión de arXiv arXiv:1808.04355. 13 de agosto de 2018. [3] Según Google Scholar, este artículo ha sido citado 313 veces ^[11]
• Everingham M, Zisserman A, Williams CK, Van Gool L, Allan M, Bishop CM, Chapelle O, Dalal N, Deselaers T, Dorkó G, Duffner S. El desafío de las clases de objetos visuales de Pascal de 2005. Taller sobre desafíos de aprendizaje automático, 11 de abril de 2005 (págs. 117-176).[4] Springer, Berlín, Heidelberg. Según Google Scholar, este artículo ha sido citado 306 veces ^[11]
• Toussaint M, Storkey A. Inferencia probabilística para resolver procesos de decisión de Markov de estado discreto y continuo. En Actas de la 23.ª conferencia internacional sobre aprendizaje automático, 25 de junio de 2006 (págs. 945–952).[5] Según Google Scholar, este artículo ha sido citado 217 veces ^[11]

Referencias

1. Aggarwal, Charu C. "Redes neuronales y aprendizaje profundo" p240
2. Aprovechamiento de diferentes reglas de aprendizaje en Hopfield Nets para clasificación multiclase saiconference.com
3. Cigüeña, Amós. "Aumentar la capacidad de una red Hopfield sin sacrificar la funcionalidad". Redes neuronales artificiales – ICANN'97 (1997): 451-456.
4. Cigüeña, Amós. "Métodos eficientes de matrices de covarianza para procesos bayesianos gaussianos y redes neuronales de Hopfield". Tesis doctoral. Universidad de londres. (1999)
5. "Un montón de chatarra gigante para la humanidad". Noticias de la BBC . 15 de abril de 2004.
6. "Inicio". bayeswatch.com .
7. arXiv, Tecnología emergente del. "Por qué las redes neuronales parecen preparadas para derrotar a los mejores jugadores humanos de Go por primera vez". Revisión de tecnología del MIT .
8. Chris J Maddison, 'Mover evaluación en Go' Madhttp://www0.cs.ucl.ac.uk/staff/d.silver/web/Applications_files/deepgo.pdf
9. Clark, Cristóbal; Storkey, Amós (2014). "Enseñar redes neuronales convolucionales profundas a jugar Go". arXiv : 1412.3409 [cs.AI].
10. Red neuronal convolucional
11. https://scholar.google.com/scholar?hl=en&as_sdt=0%2C33&q=Amos+storkey&btnG= Página de autor de Google Scholar, consultado el 14 de junio de 2021