¿Qué es el meta learning?

El meta lerning en el aprendizaje automático se refiere a algoritmos de aprendizaje que aprenden de otros algoritmos de aprendizaje.

Más comúnmente, esto significa el uso de algoritmos de aprendizaje automático que aprenden cómo combinar mejor las predicciones de otros algoritmos de aprendizaje automático en el campo del aprendizaje conjunto.

Sin embargo, el meta lerning también podría referirse al proceso manual de selección de modelos y ajuste de algoritmos realizado por un profesional en un proyecto de aprendizaje automático que los algoritmos automáticos modernos buscan automatizar. También se refiere al aprendizaje a través de múltiples tareas de modelado predictivo relacionadas, llamado aprendizaje multitarea, donde los algoritmos de meta lerning aprenden a aprender.

El meta lerning se refiere a algoritmos de aprendizaje automático que aprenden del resultado de otros algoritmos de aprendizaje automático.

Los algoritmos de meta lerning generalmente se refieren a algoritmos de aprendizaje de conjuntos, como el apilamiento, que aprenden a combinar las predicciones de los miembros del conjunto.

El meta lerning también se refiere a algoritmos que aprenden a aprender a través de un conjunto de tareas de predicción relacionadas, lo que se conoce como aprendizaje multitarea.

Meta generalmente significa elevar el nivel de abstracción un paso y, a menudo, se refiere a información sobre otra cosa.

Por ejemplo, probablemente esté familiarizado con los "metadatos", que son datos sobre datos.

El meta lerning en el aprendizaje automático se refiere más comúnmente a los algoritmos de aprendizaje automático que aprenden del resultado de otros algoritmos de aprendizaje automático.

En nuestro proyecto de aprendizaje automático en el que intentamos descubrir (aprender) qué algoritmo funciona mejor con nuestros datos, podríamos pensar en un algoritmo de aprendizaje automático que nos sustituya, al menos hasta cierto punto.

Los algoritmos de aprendizaje automático aprenden de datos históricos. Por ejemplo, los algoritmos de aprendizaje supervisado aprenden cómo mapear ejemplos de patrones de entrada a ejemplos de patrones de salida para abordar problemas de modelado predictivo de clasificación y regresión.

Los algoritmos se entrenan en datos históricos directamente para producir un modelo. Luego, el modelo se puede usar para predecir valores de salida, como un número o una etiqueta de clase, para nuevos ejemplos de entrada.

Algoritmos de aprendizaje

Los algoritmos de meta lerning aprenden del resultado de otros algoritmos de aprendizaje automático que aprenden de los datos. Esto significa que el meta lerning requiere la presencia de otros algoritmos de aprendizaje que ya han sido entrenados en datos.

Por ejemplo, los algoritmos de meta lerning supervisados ​​aprenden a mapear ejemplos de resultados de otros algoritmos de aprendizaje (como números predichos o etiquetas de clase) en ejemplos de valores objetivo para problemas de clasificación y regresión.

De manera similar, los algoritmos de meta lerning hacen predicciones tomando la salida de los algoritmos de aprendizaje automático existentes como entrada y prediciendo un número o una etiqueta de clase.

Algoritmos de meta lerning: aprenda de los resultados de los algoritmos de aprendizaje y haga una predicción a partir de las predicciones hechas por otros modelos. De esta forma, el meta lerning se produce un nivel por encima del aprendizaje automático.

Si el aprendizaje automático aprende cómo usar mejor la información en los datos para hacer predicciones, entonces el meta lerning o el aprendizaje meta lerning aprende cómo usar mejor las predicciones de los algoritmos de aprendizaje automático para hacer predicciones.

Ahora que estamos familiarizados con la idea del meta lerning, veamos algunos ejemplos de algoritmos de meta lerning.

Meta-algoritmos, meta-clasificadores y meta-modelos

Los algoritmos de meta lerning a menudo se denominan simplemente meta lerning o meta lerning.

Meta-algoritmo: abreviatura de un algoritmo de aprendizaje automático de meta-aprendizaje. De manera similar, los algoritmos de meta lerning para tareas de clasificación pueden denominarse metaclasificadores y los algoritmos de meta lerning para tareas de regresión pueden denominarse metarregresores.

Meta-Clasificador: Algoritmo de meta-aprendizaje para tareas de modelado predictivo de clasificación.

Meta-Regresión: Algoritmo de meta-aprendizaje para tareas de modelado predictivo de regresión.

Después de entrenar un algoritmo de meta lerning, da como resultado un modelo de meta lerning, p. las reglas específicas, los coeficientes o la estructura aprendida de los datos. El modelo de meta lerning o metamodelo se puede usar para hacer predicciones. Meta-Modelo: Resultado de ejecutar un algoritmo de meta-aprendizaje. El algoritmo de meta lerning más conocido se llama generalización apilada o apilamiento para abreviar.

Si te gusto el articulo quizás también te interese: ¿Qué es el datawarehouse?