Mi az a meta-tanulás az AutoML-hez?
sobes.tech MI
Válasz az MI-től
A meta-tanulás az AutoML kontextusában olyan megközelítés, amelyben a rendszer a gépi tanulás több korábbi feladatának megoldási tapasztalatából tanulva gyorsabban és hatékonyabban választ modellket és hiperparamétereket új feladatokra.
Az ötlet az, hogy az AutoML nem kezd nulláról, hanem tudást használ arról, hogy mely algoritmusok és beállítások működtek jól hasonló adatokon. Ez jelentősen csökkenti az időt és az erőforrásokat a modellek optimalizálásában (HPO — hiperparaméter-optimalizáció).
Példa: ha az AutoML szöveg osztályozási feladattal találkozik, a meta-tanulás javasolhatja, hogy bizonyos modellek és paraméterek alkalmasak hasonló feladatokra, a sikeres futtatások története alapján, és azonnal szűkítheti a keresési teret.