Kas ir meta-mācīšanās AutoML?

Meta-mācīšanās AutoML kontekstā ir pieeja, kur sistēma mācās no pieredzes, risinot daudzus iepriekšējos mašīnmācīšanās uzdevumus, lai ātrāk un efektīvāk izvēlētos modeļus un hiperparametrus jauniem uzdevumiem.

Ideja ir tāda, ka AutoML nesāk no nulles, bet izmanto zināšanas par to, kuri algoritmi un iestatījumi ir labi darbojušies līdzīgos datos. Tas ļauj ievērojami samazināt laiku un resursus modeļu optimizācijai (HPO — hiperparametru optimizācija).

Piemērs: ja AutoML sastopas ar teksta klasifikācijas uzdevumu, meta-mācīšanās var ieteikt, ka noteikti modeļi un parametri ir piemēroti līdzīgām uzdevumiem, balstoties uz veiksmīgu izpildes vēsturi, un nekavējoties sašaurināt meklēšanas apgabalu.