【2022新书】元学习(Meta Learning ): 自动机器学习与数据挖掘

2022 年 3 月 7 日 专知

引言

元学习(Metalearning)或者叫做“学会学习”(Learning to learn),它希望模型获取一种“学会学习”的能力,使其可以在获取已有“知识”的基础上快速学习新的任务,它的意图在于通过少量的训练实例设计能够快速学习新技能或适应新环境的模型。


作者寄语

“本书的第一版出版于2009年,在过去的十几年中,元学习的飞速发展,取得了巨大的进步。于是我们决定出版本书的第二版。在新的版本中,我们添加了AutoML的相关知识,并且深入探讨了AutoML与Metalearning的关系;同时,由于自动化工作流程设计仍在初期发育的阶段,我们也把相关研究和信息增加到了本书的第二版中。”


图书简介

本书的主题元学习,作为机器学习研究中增长最快的领域之一,研究了通过调整机器学习和数据挖掘过程来获得有效模型和解决方案的方法。这种适应能力通常利用来自过去其他任务的经验信息,并且适应过程可能涉及机器学习方法。作为与元学习相关的领域和当前的热门话题,自动化机器学习(AutoML)关注的是机器学习过程的自动化。元学习和AutoML可以帮助AI学习控制不同学习方法的应用并更快地获取新的解决方案,而无需用户进行不必要的干预。


本书全面而透彻地介绍了元学习和 AutoML的几乎所有方面,涵盖了基本概念和架构、评估、数据集、超参数优化、集成和工作流,以及如何使用这些知识来选择、组合、调整和配置算法和模型,以更快更好地解决数据挖掘和数据科学问题。因此,它可以帮助开发人员开发可以通过经验改进自己的系统。


本书是2009年第一版的重大更新,共18章,内容几乎是上一版的两倍。这使作者能够更深入地涵盖最相关的主题,并结合各自领域最近研究的概述。这本书适用于对机器学习、数据挖掘、数据科学和人工智能领域感兴趣的研究人员和研究生。


https://link.springer.com/book/10.1007/978-3-030-67024-5


作者介绍


Pavel B. Brazdil


葡萄牙波尔图 LIAAD INESC TEC 的高级研究员,也是葡萄牙波尔图大学的正教授,自2019年起担任名誉教授。他于1981年在爱丁堡大学获得机器学习博士学位。自1990年代以来,他开创了元学习领域并指导了该领域的许多博士生。他的主要兴趣在于机器学习、数据挖掘、算法选择、元学习、AutoML和文本挖掘等。他出版了6本书,发表了110余篇论文,其中大约80篇也被收录于 ISI/DBLP/Scopus。他是各种机器学习会议的项目主席,与其他学者共同组织了各种有关元学习的研讨会,并担任MLJ两期关于该主题的特刊的共同编辑。他是机器学习杂志的编辑委员会成员和EurAI的研究员。


Jan N. van Rijn


荷兰莱顿大学LIACS助理教授。于 2016 年在莱顿大学莱顿高级计算机科学研究所 (LIACS) 获得计算机科学博士学位。在攻读博士学位期间,他对新西兰怀卡托大学和葡萄牙波尔图大学进行了多次资助研究访问。获得博士学位后,他在德国弗莱堡大学的机器学习实验室担任博士后研究员,之后前往美国哥伦比亚大学担任博士后研究员。他的研究目标是在社会机构中实现机器学习和人工智能的普及。他是机器学习开放科学平台 OpenML.org 的创始人之一。他的研究兴趣包括人工智能、自动化机器学习和元学习。



Carlos Soares


葡萄牙波尔多大学工程学院副教授。他还是 Fraunhofer Portugal AICOS的智能系统外部顾问、LIACC的研究员与LIAAD-INESC TEC的合作者。他还是波尔图商学院的讲师。他的研究兴趣是元学习/autoML。他参与了20多个国家和国际的R&ID和咨询项目。他在期刊和会议上出版/编辑了几本书,发表了150 多篇论文。最近参与组织的活动包括ECML PKDD2015、IDA 2016 和 Discovery Science 2021。2009年,他获得葡萄牙人工智能协会科学功绩和卓越奖。


Joaquin Vanschoren


荷兰埃因霍温科技大学机器学习终身职位候选人助理教授。他在比利时鲁汶大学获得博士学位。他的研究重点是机器学习自动化 (AutoML) 和元学习。他创立并领导了 OpenML.org,这是一个在全球范围内用于共享机器学习数据、算法和模型的在线平台。他还主持了开放机器学习基金会,并联合主持了W3C机器学习模式社区组。他是亚马逊研究奖、Azure研究奖、荷兰数据奖和 ECMLPKDD示范奖的获得者。他是Automatic Machine Learning: Methods, Systems, Challenges一书的合著者和合编者。他曾在NeurIPS、AAAI和ECMLPKDD 担任讲师,并在ECDA、StatComp、AutoML@ICML、CiML@NeurIPS、DEEM@SIGMOD、AutoML@PRICAI、MLOSS@NeurIPS 和许多其他场合担任演讲嘉宾。他曾担任 LION 2016 主席、NeurIPS 2021数据集和基准测试主席、Discovery Science 2018 项目主席、ECMLPKDD 2013 演示主席,并于 2013 年至 2021 年共同组织了 NeurIPS 和 ICML 的 AutoML 和元学习研讨会系列。


章节浏览



参考链接:

https://mp.weixin.qq.com/s/qbgkPAbaQucsieCfszcRKw


专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“META” 就可以获取【2022新书】元学习(Meta Learning ): 自动机器学习与数据挖掘》专知下载链接

专知,专业可信的人工智能知识分发 ,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取70000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取70000+AI主题知识资源
登录查看更多
17

相关内容

Meta Learning,元学习,也叫 Learning to Learn(学会学习)。是继Reinforcement Learning(增强学习)之后又一个重要的研究分支。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
港中文等最新《多模态元学习》综述论文
专知会员服务
123+阅读 · 2021年10月8日
【2020新书】从Excel中学习数据挖掘,223页pdf
专知会员服务
90+阅读 · 2020年6月28日
元学习(meta learning) 最新进展综述论文
专知会员服务
278+阅读 · 2020年5月8日
【新书】深度学习搜索,Deep Learning for Search,附327页pdf
专知会员服务
206+阅读 · 2020年1月13日
元学习—Meta Learning的兴起
专知
44+阅读 · 2019年10月19日
ICML2019《元学习》教程与必读论文列表
专知
42+阅读 · 2019年6月16日
小样本学习(Few-shot Learning)综述
黑龙江大学自然语言处理实验室
28+阅读 · 2019年4月1日
自动机器学习(AutoML)最新综述
PaperWeekly
34+阅读 · 2018年11月7日
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
10+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
6+阅读 · 2008年12月31日
国家自然科学基金
11+阅读 · 2008年12月31日
AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning
Arxiv
13+阅读 · 2019年1月26日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
16+阅读 · 2018年12月10日
VIP会员
相关资讯
元学习—Meta Learning的兴起
专知
44+阅读 · 2019年10月19日
ICML2019《元学习》教程与必读论文列表
专知
42+阅读 · 2019年6月16日
小样本学习(Few-shot Learning)综述
黑龙江大学自然语言处理实验室
28+阅读 · 2019年4月1日
自动机器学习(AutoML)最新综述
PaperWeekly
34+阅读 · 2018年11月7日
相关基金
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
10+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
6+阅读 · 2008年12月31日
国家自然科学基金
11+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员