Čo je meta-učenie pre AutoML?

Meta-učenie v kontexte AutoML je prístup, pri ktorom sa systém učí zo skúseností riešenia viacerých predchádzajúcich úloh strojového učenia, aby rýchlejšie a efektívnejšie vyberal modely a hyperparametre pre nové úlohy.

Myšlienka je, že AutoML nezačína od nuly, ale využíva poznatky o tom, ktoré algoritmy a nastavenia dobre fungovali na podobných dátach. To umožňuje výrazne skrátiť čas a zdroje na optimalizáciu modelov (HPO — optimalizácia hyperparametrov).

Príklad: ak sa AutoML stretne s úlohou klasifikácie textu, meta-učenie môže navrhnúť, že určité modely a parametre sú vhodné pre podobné úlohy, na základe histórie úspešných spustení, a okamžite zúžiť priestor hľadania.