Uma Introdução ao Meta-aprendizado
Resumo
Apesar da popularização do uso de técnicas de Aprendizado de Máquina (AM), há diversas decisões que um usuário deve tomar para obter sucesso em sua solução por AM. Como uma alternativa à abordagem de tentativa e erro, o Meta-aprendizado permite extrair conhecimento a partir de problemas passados em que técnicas de AM tenham sido utilizadas para poder recomendar para novos problemas a solução mais adequada. Este tutorial apresenta uma breve introdução ao projeto de um sistema meta-aprendiz para recomendar técnicas de AM para novos problemas de classificação.Referências
Brazdil, P., Giraud-Carrier, C. G., Soares, C., and Vilalta, R. (2009). Metalearning - Applications to Data Mining. Springer, 1 edition.
Dua, D. and Graff, C. (2017). UCI machine learning repository.
Lorena, A. C., Garcia, L. P., Lehmann, J., Souto, M. C., and Ho, T. K. (2019). How complex is your classication problem? a survey on measuring classication complexity. ACM Computing Surveys (CSUR), 52(5):1–34.
Macià, N. and Bernadó-Mansilla, E. (2014). Towards uci+: A mindful repository design. Information Sciences, 261:237–262.
Prudêncio, R. B. C., Soares, C., and Ludermir, T. B. (2011). Uncertainty sampling-based active selection of datasetoids for meta-learning. In 21th International Conference on Articial Neural Networks (ICANN), volume 6792, pages 454–461.
Smith-Miles, K. A. (2008). Cross-disciplinary perspectives on meta-learning for algorithm selection. ACM Computing Surveys, 41(1):6:1 – 6:25.
Soares, C., Petrak, J., and Brazdil, P. (2001). Sampling-based relative landmarks: Systematically test-driving algorithms before choosing. In 10th Portuguese Conference on Articial Intelligence (EPIA), pages 88 – 95.
Vanschoren, J. (2019). Meta-learning. In Automated Machine Learning, pages 35–61. Springer, Cham.
Vanschoren, J., Van Rijn, J. N., Bischl, B., and Torgo, L. (2014). Openml: networked science in machine learning. ACM SIGKDD Explorations Newsletter, 15(2):49–60.
Wolpert, D. H. (2002). The supervised learning no-free-lunch theorems. In Soft computing and industry, pages 25–42. Springer. 5https://lpfgarcia.github.io/mtl/meta_base
Dua, D. and Graff, C. (2017). UCI machine learning repository.
Lorena, A. C., Garcia, L. P., Lehmann, J., Souto, M. C., and Ho, T. K. (2019). How complex is your classication problem? a survey on measuring classication complexity. ACM Computing Surveys (CSUR), 52(5):1–34.
Macià, N. and Bernadó-Mansilla, E. (2014). Towards uci+: A mindful repository design. Information Sciences, 261:237–262.
Prudêncio, R. B. C., Soares, C., and Ludermir, T. B. (2011). Uncertainty sampling-based active selection of datasetoids for meta-learning. In 21th International Conference on Articial Neural Networks (ICANN), volume 6792, pages 454–461.
Smith-Miles, K. A. (2008). Cross-disciplinary perspectives on meta-learning for algorithm selection. ACM Computing Surveys, 41(1):6:1 – 6:25.
Soares, C., Petrak, J., and Brazdil, P. (2001). Sampling-based relative landmarks: Systematically test-driving algorithms before choosing. In 10th Portuguese Conference on Articial Intelligence (EPIA), pages 88 – 95.
Vanschoren, J. (2019). Meta-learning. In Automated Machine Learning, pages 35–61. Springer, Cham.
Vanschoren, J., Van Rijn, J. N., Bischl, B., and Torgo, L. (2014). Openml: networked science in machine learning. ACM SIGKDD Explorations Newsletter, 15(2):49–60.
Wolpert, D. H. (2002). The supervised learning no-free-lunch theorems. In Soft computing and industry, pages 25–42. Springer. 5https://lpfgarcia.github.io/mtl/meta_base
Publicado
19/08/2020
Como Citar
LORENA, Ana; GARCIA, Luis.
Uma Introdução ao Meta-aprendizado. In: ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL DE SÃO PAULO, 1. , 2020, São Paulo.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 43-46.
