Learning to Learn - 9780792380474

ciągu ostatnich trzydziestu lat badania nad uczeniem maszynowym i eksploracją danych doprowadziły do powstania szerokiej gamy algorytmów, które uczą się ogólnych funkcji na podstawie doświadczenia. W miarę dojrzewania uczenia maszynowego zaczęto pomyślnie przechodzić od badań akademickich do różnych zastosowań praktycznych. Techniki ogólne, takie jak na przykład drzewa decyzyjne i sztuczne sieci neuronowe, są obecnie wykorzystywane w różnych zastosowaniach komercyjnych i przemysłowych. Tekst ten stanowi kierunek badań w zakresie uczenia maszynowego. Podobnie jak w przypadku tradycyjnych algorytmów uczenia maszynowego, opisane metody indukują ogólne funkcje na podstawie doświadczenia. W książce jednak zbadano algorytmy, które mogą zmienić sposób uogólniania, na przykład przećwiczyć samo zadanie uczenia się i je ulepszyć. Aby zilustrować użyteczność uczenia się, warto porównać uczenie maszynowe z uczeniem się człowieka. Ludzie mają do czynienia z ciągłym strumieniem zadań edukacyjnych. Nie tylko uczą się pojęć i umiejętności motorycznych, ale także uczą się uprzedzeń, co oznacza, że uczą się, jak generalizować. W rezultacie ludzie często potrafią poprawnie uogólniać na podstawie bardzo niewielu przykładów – często wystarczy jeden przykład, aby nauczyć nas czegoś nowego. Głębsze zrozumienie programów komputerowych, które poprawiają ich zdolność uczenia się, może mieć duży praktyczny wpływ na dziedzinę uczenia maszynowego i nie tylko. W ostatnich latach w tej dziedzinie poczyniono znaczne postępy w kierunku teorii uczenia się, jak się uczyć, wraz z nowymi, praktycznymi algorytmami, z których niektóre doprowadziły do imponujących wyników w zastosowaniach w świecie rzeczywistym. Celem książki jest zbadanie użyteczności i wykonalności programów komputerowych, które potrafią uczyć się, jak się uczyć, zarówno z praktycznego, jak i teoretycznego punktu widzenia.