5月17日早間訊息，百度公司今天宣佈，任命人工智慧領域最權威的學者之一——吳恩達(Andrew Ng)博士為百度首席科學家，全面負責百度研究院。百度研究院在矽谷和北京設有實驗室。

那麼Andrew Ng是誰？

       Andrew Ng，中文名吳恩達，華裔美國人，他是斯坦福大學計算機科學系和電氣工程系的副教授，斯坦福人工智慧實驗室的主任，時代全球最具影響力百大人物之一。

       在教學之外，他還有兩個重要身份：線上教育平臺Coursera聯合創始人。他也是“深度學習”領域的頂級專家，曾領導谷歌的深度學習專案——Google Brain。

Andrew Ng是誰？憑什麼他能和“百度大腦”擦出火花？（http://www.duozhi.com/leader/20140515/1402.shtml）中有比較客觀的介紹。

個人認為貢獻比較大的兩個方面：

一是斯坦福公開課機器學習的主講。有興趣的戳這裡：斯坦福大學公開課 ：機器學習課程
二是線上教育平臺Coursera的聯合創始人。【吳恩達(Andrew Ng)和達芙妮·科勒(Daphne Koller)Coursera.org】

知乎的說明更加親切：

吳恩達 (Andrew Ng)，斯坦福計算機系的副教授，師從機器學習的大師級人物 Michael I. Jordan。
同門師兄弟包括Zoubin Ghahramani, Tommi Jaakkola,

Eric Xing, David Blei, 徒子徒孫遍佈美國名校，他們這一大學派的主要研究和貢獻集中在 統計機器學習（Statistical Machine Learning）和圖模型(Probabilistic Graphical model),具體的比如 Spectral clustering, Nonparametric Bayesian Methods,Variational Methods等等。
現在圖模型和 Nonparametric Bayesian Methods 都是機器學習領域炙手可熱的研究方向。Michael Jordan的研究很好的將統計和機器學習聯絡了起來，將Variational Methods發揚光大，他也還身兼統計系和計算機系教職。

吳恩達的學術研究興趣比較廣(

andrew Y ng - Google Scholar Citations)，做的東西有比較理論的，但更多的是理論和應用的結合。他的一作主要集中在Spectral Clustering ,Unsupervised Learning 和增強式學習(reinforcement learning)，機器學習的很多方面都有涉及，比如feature selection， over-fitting，policy search。由於做reinforcement learning和unsupervised learning, 所以有很多專案是和機器人有關的,他也發起了ROS(Robot Operating System),一個開源的機器人作業系統，影響力很大。其他的參與的研究就很多了，Michael Jordan那一片的統計機器學習都有參與，在圖模型領域也有很多非常優秀論文，比如自然語言處理(NLP)的神器Latent Dirchlet Allocation(LDA) 那篇論文他也有貢獻。

他現在的研究興趣主要是深度學習(Deep Learning)，深度學習說白了就是死灰復燃的神經網路(Neural Network), 神經網路的一代鼻祖是多倫多大學的Geoffrey Hinton。 Geoffrey Hinton和吳恩達一起在Google搞深度學習 (Google Brain Project)，他們倆現在在這一塊的論文很多，影響力很大。

總體而言他是頂級的機器學習研究者，在斯坦福是tenured professor已經說明了這點，至於Lab Director，和學術無關，只要是教授都可以成立一個實驗室自己當主任(Director)，不要把主任拿過來說事。

更重要的是，他在學術圈內圈外知名度很高！除了師承之外，還有一個重要原因是他在斯坦福公開課裡面主講機器學習，講的的確是非常好，在工程界非常受歡迎，後來和Daphne Koller (機器學習界的一姐和大牛，《Probabilistic Graphical Models: Principles and Techniques》一書的作者)一起成立了Coursera。

吳恩達對慕課(MOOC)和Coursera的貢獻我就不贅述了。

另外吳恩達會說中文，出生於英國，高中畢業於新加坡的Raffles Insitution，本科畢業於卡耐基梅隆大學，碩士在麻省理工，博士畢業於伯克利，早年在香港和英國生活過（有沒有覺得他說英語有怪怪的和英式英語混雜的感覺?）。

個人感覺：

如果僅用傳統的機器學習理論，沒有依據資料本身及應用場景這些先驗知識做出簡化，很難做出漂亮的工業產品。