Co je to meta-učení pro AutoML?

Meta-učení v kontextu AutoML je přístup, při kterém se systém učí na základě zkušeností s řešením mnoha předchozích úloh strojového učení, aby rychleji a efektivněji vybíral modely a hyperparametry pro nové úlohy.

Myšlenka je, že AutoML nezačíná od nuly, ale využívá znalosti o tom, které algoritmy a nastavení dobře fungovaly na podobných datech. To umožňuje výrazně zkrátit čas a zdroje na optimalizaci modelů (HPO — optimalizace hyperparametrů).

Příklad: pokud se AutoML potýká s úlohou klasifikace textu, meta-učení může naznačit, že určité modely a parametry jsou vhodné pro podobné úlohy, na základě historie úspěšných spuštění, a okamžitě zúžit hledaný prostor.