Meta-uczenie w inteligencji obliczeniowej

1. Wprowadzenie 2. Od algorytmów uczących się do algorytmów meta-uczenia 3. Podstawy meta-uczenia 3.1. Kroswalidacja używana do uczenia maszyn 3.2. Komitety maszyn i meta-uczenie 3.3. Meta-uczenie w oparciu o meta-charakterystyki 3.4. Inne metody meta-uczenia 3.5. O niewystarczalności różnych koncepcji meta-uczenia 4. Uniwersalna architektura systemu inteligencji obliczeniowej 4.1. Elementy systemu inteligencji obliczeniowej 4.2. Unifikacja maszyn i mechanizm podwójnej pamięci podręcznej maszyn 4.3. Dyskowy system pamięci podręcznej 4.4. Nadzorowanie procesów losowych i ich wpływu na proces unifikacji 4.5. Proces tworzenia maszyny i system kolejkowania zadań 4.6. System zbierania i analizy wyników 5. Uniwersalna maszyna optymalizacji meta-parametrów (UMOM) 5.1. Uniwersalna maszyna optymalizacyjna (UMOM) 5.2. Realizacje scenariuszy optymalizacyjnych 5.3. Ontologia metod optymalizacji maszyn uczących 6. Konstrukcje zaawansowanych algorytmów meta-uczenia 6.1. Ogólny schemat algorytmów meta-uczenia 6.2. Problem określania konfiguracji meta-uczenia 6.3. Funkcyjna forma opisu przestrzeni przeszukiwania w meta-uczeniu 6.4. Elementy głównego algorytmu meta-uczenia 6.5. Aproksymacja złożoności maszyn uczących 6.6. Typy meta-wiedzy 6.7. Analiza działania algorytmu meta-uczenia A. Metody testowania algorytmów inteligencji obliczeniowej B. Tabele porównawcze dla porównania metod selekcji instancji Bibliografia