meta aprendizaje

El metaaprendizaje es un subcampo del aprendizaje automático (AU). La idea es aplicar algoritmos de AU a los metadatos de otros algoritmos de AU, de ahí la denominación alternativa: aprender a aprender. El objetivo es entender como resolver problemas de aprendizaje con mayor flexibilidad, mejorando el desempeño de algoritmos existentes o induciendo al algoritmo de aprendizaje en si. La flexibilidad es importante porque cada algoritmo de AU está basado en una serie de asunciones sobre los datos, su sesgo inductivo. Esto quiere decir que el algoritmo solo aprenderá correctamente si su sesgo inductivo se ajusta al problema de aprendizaje (usualmente una base de datos). Por ende, un algoritmo de AU se desempeña bien en un dominio específico pero no en otros. Este fenómeno imprime fuertes restricciones al uso del aprendizaje automático o minería de datos, dado que la relación entre el problema de aprendizaje y la efectividad de diferentes algoritmos de AU aún no se entiende bien. Se utilizan diferentes tipos de metadatos como las propiedades del problema de aprendizaje, las del propio algoritmo (como mediciones de desempeño) o patrones derivados directamente de la los datos. De esta manera es posible aprender, seleccionar, alterar o combinar diferentes algoritmos de AU para buscar los resultados que mejor satisfagan el problema de aprendizaje. Una buena analogía es que la evolución genética aprende del procedimiento de aprendizaje codificado en los genes y ejecutado en la cerebro de cada individuo como plantea Bengio et al.'s en su trabajo temprano (1991).