Michael Irwin Jordan (geboren am 25. Februar 1956) ist ein amerikanischer Wissenschaftler und Professor an der University of California, Berkeley, wo er die Pehong-Chen-Distinguished-Professur innehat. Er ist außerdem Forschungswissenschaftler bei Inria Paris. Jordan gilt als eine der führenden Persönlichkeiten im Bereich maschinelles Lernen, mit Beiträgen, die Statistik, Informatik und künstliche Intelligenz umfassen. Im Jahr 2016 bezeichnete ihn Science auf der Grundlage einer Analyse der veröffentlichten Literatur durch das Semantic-Scholar-Projekt als den einflussreichsten Informatiker der Welt. 2010 wurde er zum Mitglied der National Academy of Engineering gewählt, für Beiträge zu den Grundlagen und Anwendungen des maschinellen Lernens, und 2022 gewann er den ersten Preis der World Laureates Association in Informatik oder Mathematik für grundlegende Beiträge zu den Grundlagen des maschinellen Lernens und seiner Anwendung.
Jordans Arbeit hat die theoretischen und praktischen Grundlagen des modernen maschinellen Lernens geprägt, insbesondere durch sein Eintreten für Bayes'sche Methoden und seine Bemühungen, maschinelles Lernen mit traditioneller Statistik zu vereinen. Seine Forschung hat Bereiche wie neuronale Netze-Modellierung, probabilistische grafische Modelle und variationelle Inferenz beeinflusst, und seine Studenten und Mitarbeiter sind zu führenden Persönlichkeiten auf diesem Gebiet geworden.
Bildung
Jordan erhielt 1978 einen Bachelor of Science magna cum laude in Psychologie von der Louisiana State University, 1980 einen Master of Science in Mathematik von der Arizona State University und 1985 einen Doktor der Philosophie in Kognitionswissenschaft von der University of California, San Diego. An der UC San Diego war er Student von David Rumelhart und Mitglied der Parallel Distributed Processing (PDP)-Gruppe in den 1980er Jahren, einer Forschungsgemeinschaft, die eine zentrale Rolle bei der Entwicklung konnektionistischer Modelle und der neuronale Netze-Theorie spielte.
Karriere und Forschung
Jordan begann seine akademische Karriere als Professor in der Abteilung für Gehirn- und Kognitionswissenschaften am Massachusetts Institute of Technology von 1988 bis 1998. In den 1980er Jahren entwickelte er rekurrente neuronale Netze als kognitive Modelle und trug zu frühen Arbeiten über Sequenzverarbeitung und motorische Kontrolle bei. Nach seinem Wechsel an die University of California, Berkeley, verlagerte sich seine Forschung von der kognitiven Modellierung hin zu den Grundlagen der Statistik und des maschinellen Lernens.
Jordan wird weithin zugeschrieben, Bayes'sche Netze in der Gemeinschaft des maschinellen Lernens populär gemacht und die tiefen Verbindungen zwischen maschinellem Lernen und Statistik artikuliert zu haben. Er war auch prominent bei der Formalisierung variationeller Methoden für approximative Inferenz und bei der Popularisierung des Erwartungs-Maximierungs-Algorithmus als Kernwerkzeug im maschinellen Lernen. Seine Arbeit hat sowohl das theoretische Verständnis als auch praktische Anwendungen beeinflusst, einschließlich in generativer KI und Deep Learning.
Jordans Forschungsgruppe in Berkeley hat zahlreiche einflussreiche Arbeiten hervorgebracht und viele prominente Forscher ausgebildet. Er war Mentor mehrerer Führungspersönlichkeiten auf diesem Gebiet, darunter Anima Anandkumar und andere, die Deep Learning und künstliche Intelligenz in der Wissenschaft und Industrie vorangebracht haben.
Rücktritt von Machine Learning
Im Jahr 2001 traten Jordan und mehrere Kollegen von der Redaktion der Zeitschrift Machine Learning zurück. In einem öffentlichen Brief argumentierten sie für weniger restriktiven Zugang zu Forschung und unterstützten die Gründung einer neuen Open-Access-Zeitschrift, des Journal of Machine Learning Research (JMLR), das von Leslie Kaelbling ins Leben gerufen wurde, um die Entwicklung des Feldes zu unterstützen. Diese Aktion war ein Meilenstein in der Bewegung hin zu Open Access in der Informatik und half, JMLR als führende Plattform für Forschung im maschinellen Lernen zu etablieren.
Ehrungen und Auszeichnungen
Jordan hat im Laufe seiner Karriere zahlreiche Auszeichnungen erhalten. Er erhielt einen Best-Student-Paper-Award (mit X. Nguyen und M. Wainwright) auf der International Conference on Machine Learning (ICML 2004) und einen Best-Paper-Award (mit R. Jacobs) auf der American Control Conference (ACC 1991). Er hat außerdem den ACM-AAAI Allen Newell Award, den IEEE Neural Networks Pioneer Award und einen NSF Presidential Young Investigator Award erhalten.
Er wurde zum Fellow mehrerer bedeutender Fachgesellschaften gewählt: AAAI (2002), IMS (2004), IEEE (2005), ASA (2007), ACM (2010), SIAM (2012) und der International Society for Bayesian Analysis (2014). Er ist Mitglied der National Academy of Sciences, der National Academy of Engineering und der American Academy of Arts and Sciences. Er wurde zum Neyman Lecturer und Medallion Lecturer des Institute of Mathematical Statistics ernannt. 2015 erhielt er den David E. Rumelhart Prize und 2009 den ACM/AAAI Allen Newell Award. 2020 gewann er die IEEE John von Neumann Medal.
Im Jahr 2016 wurde Jordan als der "einflussreichste Informatiker" identifiziert, basierend auf einer Analyse der veröffentlichten Literatur durch das Semantic-Scholar-Projekt. 2022 wurde ihm der erste Preis der World Laureates Association von der World Laureates Association verliehen, einer nichtstaatlichen und gemeinnützigen internationalen Organisation, für grundlegende Beiträge zu den Grundlagen des maschinellen Lernens und seiner Anwendung. Für 2024 erhielt er den BBVA Foundation Frontiers of Knowledge Award in der Kategorie "Informations- und Kommunikationstechnologien."
Einfluss und Vermächtnis
Jordans Einfluss reicht über seine eigene Forschung hinaus. Er war eine Schlüsselfigur bei der Etablierung des maschinellen Lernens als strenge Disziplin, die Informatik und Statistik verbindet. Sein Eintreten für Bayes'sche Methoden und probabilistische Modellierung hat die Lehrpläne vieler Universitäten und die Forschungsagenden großer Labore geprägt, darunter BAIR (Berkeley AI Research) und Stanford AI Lab. Seine Studenten und Postdoktoranden haben Forschungsgruppen an führenden Institutionen und Unternehmen geleitet, darunter OpenAI, Google DeepMind und Anthropic.
Jordan war auch ein lautstarker Kommentator zum Stand der künstlichen Intelligenz. 2019 argumentierte er, dass die Revolution der künstlichen Intelligenz noch nicht stattgefunden habe und dass die KI-Revolution eine Verschmelzung von Informatik mit Statistik erfordere. Diese Perspektive hat Debatten über die Zukunft der KI beeinflusst, insbesondere hinsichtlich der Grenzen aktueller Deep-Learning-Ansätze und der Notwendigkeit robusterer statistischer Grundlagen.
Ausgewählte Veröffentlichungen
Jordan hat Hunderte von Arbeiten und mehrere einflussreiche Bücher verfasst oder mitverfasst. Seine frühen Arbeiten über rekurrente neuronale Netze und motorische Kontrolle werden häufig zitiert. Seine späteren Beiträge zu grafischen Modellen, variationeller Inferenz und der Theorie des maschinellen Lernens sind zu Standardreferenzen geworden. Bemerkenswerte Veröffentlichungen umfassen seine Arbeiten zum Erwartungs-Maximierungs-Algorithmus, zu variationellen Methoden und zur Analyse der Konvergenz- und Generalisierungseigenschaften von Lernalgorithmen.
Persönliches Leben
Jordan wurde am 25. Februar 1956 in den Vereinigten Staaten geboren. Er hat den größten Teil seiner Karriere in der Wissenschaft verbracht, mit Anstellungen am MIT und an der University of California, Berkeley. Er ist bekannt für seinen kollaborativen Stil und seine Mentorschaft junger Forscher. Er bleibt aktiv in Forschung und Lehre, und seine Arbeit bleibt einflussreich im sich schnell entwickelnden Bereich des maschinellen Lernens.
Referenzen
Dieser Artikel enthält Informationen aus öffentlichen Quellen, einschließlich des Wikipedia-Artikels über Michael I. Jordan, der unter der Creative-Commons-Lizenz Namensnennung-Weitergabe unter gleichen Bedingungen verfügbar ist.