Learning to Learn - 9780792380474

Per pastaruosius tris dešimtmečius mašininio mokymosi ir duomenų gavybos tyrimai leido sukurti daugybę algoritmų, kurie bendrųjų funkcijų mokosi iš patirties. Kadangi mašininis mokymasis bręsta, jis pradėjo sėkmingai pereiti nuo akademinių tyrimų prie įvairių praktinių pritaikymų. Pavyzdžiui, bendrieji metodai, tokie kaip sprendimų medžiai ir dirbtiniai neuroniniai tinklai, dabar naudojami įvairiose komercinėse ir pramoninėse srityse. Šis tekstas yra mašininio mokymosi tyrimų kryptis. Panašiai kaip tradiciniai mašininio mokymosi algoritmai, aprašyti metodai iš patirties sukelia bendrąsias funkcijas. Tačiau knygoje nagrinėjami algoritmai, kurie gali pakeisti apibendrinimo būdą, pavyzdžiui, praktikuoti patį mokymosi užduotį ir ją tobulinti. Norint parodyti mokymosi mokytis naudingumą, verta palyginti mašininį mokymąsi su žmogaus mokymusi. Žmonės susiduria su nuolatiniu mokymosi užduočių srautu. Jie ne tik mokosi sąvokų ar motorinių įgūdžių, bet ir mokosi šališkumo, prasmės, mokosi apibendrinti. Dėl to žmonės dažnai sugeba teisingai apibendrinti iš labai nedaugelio pavyzdžių – dažnai pakanka vieno pavyzdžio, kad išmokytume mus naujo. Gilesnis kompiuterinių programų, kurios pagerina jų gebėjimą mokytis, supratimas gali turėti didelį praktinį poveikį mašininio mokymosi sričiai ir ne tik. Pastaraisiais metais šioje srityje padaryta didelė pažanga kuriant mokymosi mokytis teoriją kartu su naujais praktiniais algoritmais, kai kurie iš jų leido pasiekti įspūdingų rezultatų realiose programose. Knygos tikslas – ištirti kompiuterinių programų, kurios gali išmokti mokytis, naudingumą ir įgyvendinamumą tiek praktiniu, tiek teoriniu požiūriu.