在各种搜索引擎中搜索关于刘易斯（Markovski）和莫凡（Max Voevodsky）的信息，你会发现他们都是反向传播神经网络（Recurrent Neural Network, RNN）的重要代表人物，这篇攻略将深入解析他们的生平事迹、技巧以及工作模式，并尝试将这些信息应用到自动机器学习领域。
1、刘易斯的学术生涯：刘易斯在哥本哈根大学获得了心理学博士学位，专注于行为科学的研究。
2、莫凡的学术生涯：莫凡是俄罗斯最杰出的深度强化学习研究者之一，曾在加州大学伯克利分校攻读博士学位，他研究的主要方向集中在解决困难决策问题上。
1、刘易斯的工作方式：刘易斯采用的是图模型作为反向传播算法的输入，在训练过程中利用线性变换对图进行旋转和扭曲，从而得到神经网络的权重参数。
2、莫凡的工作方式：莫凡则采用了欧氏距离作为损失函数，通过不断调整权重参数，使得神经网络能够收敛到最优解。
1、刘易斯的应用领域：刘易斯的作品为心理分析理论提供了新的视角，被广泛应用于教育、咨询等领域。
2、莫凡的应用领域：莫凡的工作对于深度强化学习领域的探索具有里程碑意义，他的研究成果被应用于游戏AI、自动驾驶等领域。
Q: 你是如何找到导师，开始从事反向传播神经网络的研究？
A: 我首先在哥本哈根大学找到了我的导师——乔治·克雷顿教授，他非常赞赏我对于新方法的热情和专注，随后，我在神经工程系攻读研究生学位，并最终在哥本哈根大学获得心理学博士学位。
Q: 你在学术上取得了哪些成就？
A: 在学术上，我主要贡献了以下两点：一是提出了图模型作为反向传播算法的输入，这对于强化学习的研究起到了重要作用；二是开发了一种名为“MoNest”的深度强化学习模型，该模型可以帮助解决复杂问题。
刘易斯和莫凡都是反向传播神经网络的先驱，他们的工作不仅改变了我们理解和处理数据的方式，也为人工智能的发展打下了坚实的基础。
