Learning to Learn - 9781461375272

Pēdējo trīs desmitgažu laikā mašīnmācības un datu ieguves pētījumi ir radījuši dažādus algoritmus, kas no pieredzes apgūst vispārīgas funkcijas. Mašīnmācībai tuvojoties, tā ir sākusi veiksmīgu pāreju no akadēmiskās pētniecības uz dažādiem praktiskiem lietojumiem. Piemēram, vispārējas metodes, piemēram, lēmumu koki un mākslīgie neironu tīkli, tagad tiek izmantotas dažādos komerciālos un rūpnieciskos lietojumos. Mācīšanās mācīties ir aizraujošs jauns pētniecības virziens mašīnmācībā. Līdzīgi kā tradicionālie mašīnmācīšanās algoritmi, metodēs, kas aprakstītas sadaļā Mācīšanās mācīties, no pieredzes izriet vispārīgas funkcijas. Tomēr grāmatā ir pētīti algoritmi, kas var mainīt veidu, kā tie vispārina, ti, praktizēt pašu mācīšanās uzdevumu un uzlabot to. Lai ilustrētu mācīšanās mācīties lietderību, ir vērts salīdzināt mašīnmācīšanos ar cilvēka mācīšanos. Cilvēki saskaras ar nepārtrauktu mācību uzdevumu plūsmu. Viņi ne tikai apgūst jēdzienus vai motoriskās prasmes, bet arī mācās neobjektivitāti, ti, viņi mācās vispārināt. Rezultātā cilvēki bieži vien spēj pareizi vispārināt no ļoti dažiem piemēriem – bieži vien pietiek ar vienu piemēru, lai iemācītu mums kaut ko jaunu. Dziļāka izpratne par datorprogrammām, kas uzlabo viņu spēju mācīties, var būtiski ietekmēt mašīnmācības jomu un ne tikai. Pēdējos gados šī joma ir guvusi ievērojamu progresu ceļā uz teoriju par mācīšanās mācīties kopā ar praktiskiem jauniem algoritmiem, no kuriem daži ir radījuši iespaidīgus rezultātus reālās pasaules lietojumos. Mācīšanās mācīties sniedz aptauju par dažām aizraujošākajām jaunajām pētniecības pieejām, ko rakstījuši nozares vadošie pētnieki. Tās mērķis ir izpētīt datorprogrammu lietderību un iespējamību, kuras var iemācīties mācīties gan no praktiskā, gan teorētiskā viedokļa.