Meta-Learning in Computational Intelligence

جامعه هوش محاسباتی (CI) صدها الگوریتم برای تجزیه و تحلیل هوشمند داده ها ایجاد کرده است، اما هنوز بسیاری از مشکلات سخت در بینایی کامپیوتر، پردازش سیگنال یا درک متن و چند رسانه ای، مشکلاتی که به تکنیک های یادگیری عمیق نیاز دارند، باز هستند.
بسته‌های داده کاوی مدرن شامل ماژول‌های متعددی برای جمع‌آوری داده، پیش پردازش، انتخاب و ساخت ویژگی، انتخاب نمونه، طبقه‌بندی، روش‌های ارتباط و تقریب، تکنیک‌های بهینه‌سازی، کشف الگو، خوشه‌بندی، تجسم و پس پردازش هستند. یک بسته داده کاوی بزرگ امکان ترکیب کردن این ماژول ها را برای میلیاردها روش فراهم می کند. هیچ متخصص انسانی نمی تواند ادعا کند که همه احتمالات در فرآیند کشف دانش را کشف و درک می کند.

این جایی است که الگوریتم‌هایی که یاد می‌گیرند چگونه یاد بگیرند کمک می‌کنند.
این الگوریتم‌ها با عملکرد در فضای تمامی تبدیل‌های داده‌های موجود و تکنیک‌های بهینه‌سازی، از فرادانش در مورد فرآیندهای یادگیری استفاده می‌کنند که به طور خودکار از تجربه حل مسائل مختلف استخراج می‌شوند. استنباط‌هایی در مورد تبدیل‌های مفید در زمینه‌های مختلف به ساخت الگوریتم‌های یادگیری کمک می‌کند که می‌تواند جنبه‌های مختلف دانش پنهان در داده‌ها را کشف کند. فرا یادگیری تمرکز کل حوزه CI را از الگوریتم های یادگیری فردی به سطح بالاتر یادگیری نحوه یادگیری تغییر می دهد.

این کتاب روندهای نظری و عملی جدیدی را در فرا یادگیری تعریف و آشکار می کند و خوانندگان را برای تحقیقات بیشتر در این زمینه هیجان انگیز ترغیب می کند.

Computational Intelligence (CI) community has developed hundreds of algorithms for intelligent data analysis, but still many hard problems in computer vision, signal processing or text and multimedia understanding, problems that require deep learning techniques, are open.
Modern data mining packages contain numerous modules for data acquisition, pre-processing, feature selection and construction, instance selection, classification, association and approximation methods, optimization techniques, pattern discovery, clusterization, visualization and post-processing. A large data mining package allows for billions of ways in which these modules can be combined. No human expert can claim to explore and understand all possibilities in the knowledge discovery process.

This is where algorithms that learn how to learnl come to rescue.
Operating in the space of all available data transformations and optimization techniques these algorithms use meta-knowledge about learning processes automatically extracted from experience of solving diverse problems. Inferences about transformations useful in different contexts help to construct learning algorithms that can uncover various aspects of knowledge hidden in the data. Meta-learning shifts the focus of the whole CI field from individual learning algorithms to the higher level of learning how to learn.

This book defines and reveals new theoretical and practical trends in meta-learning, inspiring the readers to further research in this exciting field.