Meta Learning: A review

Abstract

Abstract:

The performance mechanisms of learning models depend on many factors, including the training data, algorithm used, algorithm parameters. There are many tests and experiments to find the best algorithms and the best results. By using meta-learning methods, it is easier to find the best results and improve the number of trials. This results in better forecasts and faster production. It can be used in many different models of machine learning (low-cost learning, strengthening learning, processing of natural language, etc.). Meta-learning algorithms generate new predictions with the output and metadata used in machine learning as inputs. Meta-learning algorithms can learn better predictions using the best predictions compared to machine learning algorithms.

التعلم الفوقي

الخلاصة

     تعتمد آليات أداء نماذج التعلم على العديد من العوامل، بما في ذلك بيانات التدريب والخوارزمية المستخدمة ومعلمات الخوارزمية. هناك العديد من الاختبارات والتجارب للعثور على أفضل الخوارزميات وأفضل النتائج. وباستخدام أساليب التعلم الفوقي، يصبح من الأسهل العثور على أفضل النتائج وتحسين عدد التجارب. وهذا يؤدي إلى توقعات أفضل وإنتاج أسرع. ويمكن استخدامه في العديد من نماذج التعلم الآلي المختلفة (التعلم منخفض التكلفة، وتعزيز التعلم، ومعالجة اللغة الطبيعية، وما إلى ذلك). تولد خوارزميات التعلم الفوقي تنبؤات جديدة باستخدام المخرجات والبيانات الوصفية المستخدمة في التعلم الآلي كمدخلات. يمكن لخوارزميات التعلم التلوي أن تتعلم تنبؤات أفضل باستخدام أفضل التنبؤات مقارنة بخوارزميات التعلم الآلي