Learning to Learn - 9780792380474

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. Šis teksts ir mašīnmācības pētniecības virziens. Līdzīgi kā tradicionālajos mašīnmācības algoritmos, aprakstītās metodes no pieredzes inducē vispārīgas funkcijas. Tomēr grāmatā ir pētīti algoritmi, kas var mainīt veidu, kā tie vispārina, piemēram, 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, viņi arī mācās neobjektivitāti, nozīmi, 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. Grāmatas mērķis ir izpētīt datorprogrammu lietderību un iespējamību, kas var iemācīties mācīties gan no praktiskā, gan teorētiskā viedokļa.