Qu'est-ce que le Méta learning ?

Le méta learning est un sous-domaine du machine learning, où des algorithmes d’apprentissage automatiques sont appliqués à des métadonnées. L’objectif principal est d’utiliser des métadonnées pour comprendre le processus de résolution de problèmes et le fonctionnement de l’apprentissage automatique. L’objectif final est de pouvoir améliorer les algorithmes d’apprentissage et leur flexibilité afin qu’ils puissent s’adapter à tous types de situations. La flexibilité est un élément important puisque chaque algorithme d’apprentissage est basé sur un ensemble d’hypothèses émises sur les données.

L’utilisation de différents types de métadonnées, comme les propriétés d’un problème d’apprentissage ou d’un algorithme, permet d’apprendre, de sélectionner, de modifier ou de combiner différents algorithmes dans le but de résoudre un problème d’apprentissage donné.

Un système de méta learning est défini par :
• L’existence d’un sous-système d’apprentissage,
• L’extraction de connaissances et de données d’une ou de plusieurs sources dans le but de les exploiter,
• La sélection dynamique d’un biais.

Le biais fait référence aux suppositions qui influencent le choix des hypothèses. Deux types de biais sont représenté en méta learning :
• Le biais déclaratif qui spécifie la représentation de l’espace des hypothèses
• Le biais procédural qui impose des contraintes sur l’ordre des hypothèses (par exemple, favoriser les hypothèses les plus petites)