Τι είναι η μετα-μάθηση για το AutoML;

Η μετα-μάθηση στο πλαίσιο του AutoML είναι μια προσέγγιση όπου το σύστημα μαθαίνει από την εμπειρία επίλυσης πολλαπλών προηγούμενων εργασιών μηχανικής μάθησης, ώστε να επιλέγει ταχύτερα και πιο αποτελεσματικά μοντέλα και υπερπαραμέτρους για νέες εργασίες.

Η ιδέα είναι ότι το AutoML δεν ξεκινά από το μηδέν, αλλά χρησιμοποιεί γνώσεις σχετικά με ποια αλγόριθμοι και ρυθμίσεις λειτούργησαν καλά σε παρόμοια δεδομένα. Αυτό επιτρέπει σημαντική μείωση του χρόνου και των πόρων για τη βελτιστοποίηση μοντέλων (HPO — βελτιστοποίηση υπερπαραμέτρων).

Παράδειγμα: αν το AutoML αντιμετωπίζει μια εργασία ταξινόμησης κειμένου, η μετα-μάθηση μπορεί να προτείνει ότι ορισμένα μοντέλα και παράμετροι ταιριάζουν καλά σε παρόμοιες εργασίες, βασιζόμενη στην ιστορία επιτυχημένων εκτελέσεων, και να περιορίσει άμεσα το πεδίο αναζήτησης.