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

成为VIP会员查看完整内容
155

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
【KDD2020-Tutorial】自动推荐系统,Automated Recommendation System
元学习(meta learning) 最新进展综述论文
专知会员服务
275+阅读 · 2020年5月8日
元学习—Meta Learning的兴起
专知
44+阅读 · 2019年10月19日
小样本学习(Few-shot Learning)综述
机器之心
18+阅读 · 2019年4月1日
国家自然科学基金
6+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
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
3+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
2+阅读 · 2011年12月31日
国家自然科学基金
11+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月19日
Arxiv
42+阅读 · 2019年12月20日
Optimization for deep learning: theory and algorithms
Arxiv
102+阅读 · 2019年12月19日
A Comprehensive Survey on Transfer Learning
Arxiv
117+阅读 · 2019年11月7日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
25+阅读 · 2018年1月24日
VIP会员
相关VIP内容
相关基金
国家自然科学基金
6+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
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
3+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
2+阅读 · 2011年12月31日
国家自然科学基金
11+阅读 · 2008年12月31日
相关论文
Arxiv
0+阅读 · 2022年4月19日
Arxiv
42+阅读 · 2019年12月20日
Optimization for deep learning: theory and algorithms
Arxiv
102+阅读 · 2019年12月19日
A Comprehensive Survey on Transfer Learning
Arxiv
117+阅读 · 2019年11月7日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
25+阅读 · 2018年1月24日
微信扫码咨询专知VIP会员