Meta-learning (Ilmu komputer): Perbedaan antara revisi
membuat bagian pengenalan meta learning Tag: referensi YouTube |
(Tidak ada perbedaan)
|
Revisi per 16 Desember 2023 12.49
| Bagian dari seri |
| Pemelajaran mesin dan Penggalian Data |
|---|
 |
Metalearning[1][2] adalah cabang dari pemelajaran mesin yang membahas cara penerapan algoritma pemelajaran mesin otomatis terhadap metadata eksperimen pemelajaran mesin. Hingga tahun 2017, definisi standar dari istilah meta-learning belum sepenuhnya disepakati, tetapi secara umum, meta-learning mencakup penggunaan metadata untuk memahami proses pemelajaran otomatis dapat menjadi lebih fleksibel untuk meningkatkan kinerja algoritma pemelajaran mesin yang sudah ada atau bahkan memungkinkan algoritma tersebut belajar mandiri (menginduksi) dirinya sendiri secara efektif sehingga memunculkan istilah lain, yaitu learning to learn atau belajar untuk belajar.[1]
Fleksibilitas menjadi penting karena setiap algoritma pemelajaran mesin didasarkan kepada serangkaian asumsi terkait data yang diistilahkan sebagai bias induktif.[3] Hal ini berarti, algoritma pemelajaran tersebut dapat belajar dengan baik, jika bias atau kecenderungannya sesuai dengan masalah pemelajaran. Sebuah algoritma pembelajaran mungkin sangat baik dalam satu domain, tetapi tidak pada domain lainnya yang demikian memberikan batasan kuat terhadap penggunaan teknik pemelajaran mesin atau penggalian data, karena hubungan antara masalah pemelajaran (seringkali sebagian pangkalan data) dan efektivitas berbagai algoritma pemelajaran belum sepenuhnya dapat dipahami.
Dengan memanfaatkan berbagai jenis metadata, seperti properti dari masalah pemelajaran, properti algoritma (seperti ukuran performansi), atau pola yang diperoleh sebelumnya dari data. Dengan demikian, menjadi mungkin untuk mempelajari, memilih, mengubah, atau menggabungkan berbagai algoritma pemelajaran dengan cara yang efektif untuk menyelesaikan masalah pemelajaran tertentu. Kritik terhadap pendekatan meta-learning seringkali menarik analogi dengan kritik terhadap metaheuristik, karena keduanya melibatkan strategi tingkat tinggi untuk mengoptimalkan proses pemelajaran atau pemecahan masalah. Salah satu analogi yang bagus untuk memahami meta-learning dan merupakan inspirasi dari karya awal Jürgen Schmidhuber (1987)[1] dan Yoshua Bengio, dkk. (1991),[4] menyatakan bahwa evolusi genetik mempelajari prosedur pemelajaran terenkripsi dalam gen dan tereksekusi dalam otak setiap individu. Dalam sistem pemelajaran meta hierarki terbuka[1] menggunakan pemrograman genetik, misalnya, metode evolusi yang lebih baik dapat dipelajari melalui meta-evolusi, yang pada gilirannya dapat disempurnakan melalui meta-meta-evolusi, menciptakan struktur hierarkis pemelajaran, dst.[1]
Referensi
- ^ a b c d e Schmidhuber, Jürgen (1987). "Evolutionary principles in self-referential learning, or on learning how to learn: the meta-meta-... hook" (PDF). Diploma Thesis, Tech. Univ. Munich (dalam bahasa Inggris).
- ^ Schaul, Tom; Schmidhuber, Jürgen (2010). "Metalearning". Scholarpedia (dalam bahasa Inggris). 5 (6): 4650. Bibcode:2010SchpJ...5.4650S. doi:10.4249/scholarpedia.4650
.
- ^ P. E. Utgoff (1986). "Shift of bias for inductive concept learning". Dalam R. Michalski, J. Carbonell, & T. Mitchell. Machine Learning: An Artificial Intelligence Approach (dalam bahasa Inggris). hlm. 163–190.
- ^ Bengio, Yoshua; Bengio, Samy; Cloutier, Jocelyn (1991). Learning to learn a synaptic rule (PDF). IJCNN'91 (dalam bahasa Inggris).
Pranala luar
- Metalearning, artikel dalam Scholarpedia
- Vilalta, R.; Drissi, Y. (2002). "A perspective view and survey of meta-learning" (PDF). Artificial Intelligence Review (dalam bahasa Inggris). 18 (2): 77–95.
- Giraud-Carrier, C.; Keller, J. (2002). "Meta-Learning". Dalam Meij, J. Dealing with the data flood (dalam bahasa Inggris). The Hague: STT/Beweton.
- Brazdil, P.; Giraud-Carrier, C.; Soares, C.; Vilalta, R. (2009). "Metalearning: Concepts and Systems". Metalearning: applications to data mining (dalam bahasa Inggris). Springer.
- Video kursus penjelasan meta-learning dengan langkah-langkah MAML, Prototypical Networks, dan Relation Networks.