Learning to Learn

در حدود سه دهه گذشته، تحقیقات در مورد یادگیری ماشین و داده کاوی منجر به الگوریتم‌های متنوعی شده است که عملکردهای کلی را از تجربه یاد می‌گیرند. همانطور که یادگیری ماشین در حال بلوغ است، انتقال موفقیت آمیز از تحقیقات دانشگاهی به کاربردهای عملی مختلف را آغاز کرده است. برای مثال، تکنیک‌های عمومی مانند درخت‌های تصمیم‌گیری و شبکه‌های عصبی مصنوعی، اکنون در کاربردهای مختلف تجاری و صنعتی استفاده می‌شوند.
یادگیری برای یادگیری یک مسیر تحقیقاتی جدید و هیجان انگیز در یادگیری ماشین است. مشابه الگوریتم‌های سنتی یادگیری ماشینی، روش‌های توضیح داده شده در یادگیری برای یادگیری عملکردهای کلی را از تجربه القا می‌کنند. با این حال، این کتاب الگوریتم‌هایی را بررسی می‌کند که می‌توانند نحوه تعمیم آن‌ها را تغییر دهند، یعنی خود کار یادگیری را تمرین کنند و آن را بهبود بخشند.
برای نشان دادن سودمندی یادگیری برای یادگیری، مقایسه یادگیری ماشین با یادگیری انسان ارزشمند است. انسان ها با یک جریان مستمر از وظایف یادگیری مواجه می شوند. آنها فقط مفاهیم یا مهارت های حرکتی را نمی آموزند، آنها سوگیری را نیز یاد می گیرند، یعنی یاد می گیرند که چگونه تعمیم دهند. در نتیجه، انسان ها اغلب می توانند از نمونه های بسیار کمی به درستی تعمیم دهند - اغلب فقط یک مثال کافی است تا چیز جدیدی به ما بیاموزد.
درک عمیق‌تر برنامه‌های رایانه‌ای که توانایی یادگیری آن‌ها را بهبود می‌بخشد، می‌تواند تأثیر عملی زیادی بر حوزه یادگیری ماشین و فراتر از آن داشته باشد. در سال‌های اخیر، این رشته پیشرفت قابل‌توجهی به سمت تئوری یادگیری برای یادگیری همراه با الگوریتم‌های جدید عملی داشته است، که برخی از آنها منجر به نتایج چشمگیر در کاربردهای دنیای واقعی شد.
یادگیری برای یادگیری بررسی برخی از هیجان انگیزترین رویکردهای تحقیقاتی جدید را که توسط محققان برجسته در این زمینه نوشته شده است، ارائه می دهد. هدف آن بررسی سودمندی و امکان‌سنجی برنامه‌های رایانه‌ای است که می‌توانند یاد بگیرند، چه از منظر عملی و چه از دیدگاه نظری.

Over the past three decades or so, research on machine learning and data mining has led to a wide variety of algorithms that learn general functions from experience. As machine learning is maturing, it has begun to make the successful transition from academic research to various practical applications. Generic techniques such as decision trees and artificial neural networks, for example, are now being used in various commercial and industrial applications.
Learning to Learn is an exciting new research direction within machine learning. Similar to traditional machine-learning algorithms, the methods described in Learning to Learn induce general functions from experience. However, the book investigates algorithms that can change the way they generalize, i.e., practice the task of learning itself, and improve on it.
To illustrate the utility of learning to learn, it is worthwhile comparing machine learning with human learning. Humans encounter a continual stream of learning tasks. They do not just learn concepts or motor skills, they also learn bias, i.e., they learn how to generalize. As a result, humans are often able to generalize correctly from extremely few examples - often just a single example suffices to teach us a new thing.
A deeper understanding of computer programs that improve their ability to learn can have a large practical impact on the field of machine learning and beyond. In recent years, the field has made significant progress towards a theory of learning to learn along with practical new algorithms, some of which led to impressive results in real-world applications.
Learning to Learn provides a survey of some of the most exciting new research approaches, written by leading researchers in the field. Its objective is to investigate the utility and feasibility of computer programs that can learn how to learn, both from a practical and a theoretical point of view.