Kas yra meta-mokymasis AutoML?

Meta-mokymasis AutoML kontekste yra požiūris, kai sistema mokosi iš patirties sprendžiant daugybę ankstesnių mašininio mokymosi užduočių, kad greičiau ir efektyviau pasirinktų modelius ir hiperparametrus naujoms užduotims.

Idėja ta, kad AutoML nepradeda nuo nulio, o naudoja žinias apie tai, kurie algoritmai ir nustatymai gerai veikė panašiuose duomenyse. Tai leidžia žymiai sutrumpinti laiką ir išteklius modelių optimizavimui (HPO — hiperparametrų optimizavimas).

Pavyzdys: jei AutoML susiduria su teksto klasifikavimo užduotimi, meta-mokymasis gali pasiūlyti, kad tam tikri modeliai ir parametrai tinka panašioms užduotims, remiantis sėkmingų paleidimų istorija, ir nedelsiant sumažinti paieškos sritį.