¿Qué Es El Meta-Aprendizaje en El Aprendizaje Automático? - Top Big Data

MACHINE LEARNING
¿Qué es el meta-aprendizaje
en el aprendizaje
automático?
18 de diciembre de 2020
https://topbigdata.es/que-es-el-meta-aprendizaje-en-el-aprendizaje-automatico/ 7/6/22 21:45

Página 1 de 23
Meta-aprendizaje en el aprendizaje de la máquina se refiere a los
algoritmos de aprendizaje que aprenden de otros algoritmos de
aprendizaje.
Más comúnmente, esto significa el uso de algoritmos de aprendizaje

automático que aprenden a combinar mejor las predicciones de otros
algoritmos de aprendizaje automático en el campo del aprendizaje en
conjunto.
No obstante, el meta-aprendizaje también podría referirse al proceso

manual de selección de modelos y ajuste de algoritmos realizado por un
practicante en un proyecto de aprendizaje de máquinas que los
algoritmos modernos de automóviles tratan de automatizar. También se
refiere al aprendizaje a través de múltiples tareas de modelado predictivo
relacionadas, llamado aprendizaje multitarea, donde los algoritmos de
meta-aprendizaje aprenden a aprender.
En este tutorial, descubrirá el meta-aprendizaje en el aprendizaje

automático.
Recomendado: ¿Qué es el Big data?.
Después de completar este tutorial, lo sabrás:

Página 2 de 23
El meta-aprendizaje se refiere a los algoritmos de aprendizaje
automático que aprenden de la salida de otros algoritmos de
aprendizaje automático.
Los algoritmos de meta-aprendizaje se refieren típicamente a

algoritmos de aprendizaje en conjunto como el apilamiento, que
aprenden a combinar las predicciones de los miembros del conjunto.
El meta-aprendizaje también se refiere a los algoritmos que aprenden

a aprender a través de un conjunto de tareas de predicción
relacionadas, lo que se conoce como aprendizaje multitarea.
Empecemos.
Cursos Big Data
¿Qué es el Big data?

Recomendado: Todos los términos del Big data.
Términos Big data
Inteligencia Artificial

Página 3 de 23
¿Qué es el meta-aprendizaje en el aprendizaje automático?
Machine learning
Foto de Ryan Hallock, algunos derechos reservados.
Resumen del Tutorial

Este tutorial está dividido en cinco partes; son:
1. ¿Qué es el Meta?
2. ¿Qué es el meta-aprendizaje?
3. Meta-Algoritmos, Meta-Clasificadores y Meta-Modelos
4. Selección y ajuste de modelos como meta-aprendizaje
5. El aprendizaje multitarea como meta-aprendizaje
¿Qué es el Meta?
Meta se refiere a un nivel superior.
Recomendado: Tipos y ejemplos de bases de datos NoSQL.
Meta típicamente significa elevar el nivel de abstracción un paso y a

menudo se refiere a la información sobre algo más.
Por ejemplo, probablemente esté familiarizado con «meta-datosque son

datos sobre datos.

Página 4 de 23
Los datos sobre los datos a menudo se
llaman metadatos…
– Página 512, Minería de datos: Herramientas y técnicas prácticas de

aprendizaje de máquinas, 2016.
Recomendado: Mejores bases de datos NoSQL de código abierto y libre.
Usted almacena datos en un archivo y un ejemplo común de metadatos

son los datos acerca de los datos almacenados en el archivo, tales como:
El nombre del archivo.
El tamaño del archivo.
La fecha en que se creó el archivo.

Página 5 de 23
La fecha en que el archivo fue modificado por última vez.
El tipo de archivo.
La ruta del archivo.
Ahora que estamos familiarizados con la idea de «metaconsideremos el

uso del término en el aprendizaje de la máquina, comometa-aprendizaje.”
¿Qué es el meta-aprendizaje?
El meta-aprendizaje se refiere a aprender sobre el aprendizaje.
El meta-aprendizaje en el aprendizaje automático se refiere más

comúnmente a los algoritmos de aprendizaje automático que aprenden
de la salida de otros algoritmos de aprendizaje automático.
En nuestro proyecto de aprendizaje de la máquina, en el que estamos

intentando averiguar (aprender) qué algoritmo funciona mejor con
nuestros datos, podríamos pensar en un algoritmo de aprendizaje de la
máquina que tomara el lugar de nosotros mismos, al menos hasta cierto
punto.
Los algoritmos de aprendizaje de máquinas aprenden de los datos

históricos. Por ejemplo, los algoritmos de aprendizaje supervisado
aprenden a mapear ejemplos de patrones de entrada a ejemplos de
patrones de salida para abordar los problemas de clasificación y de
modelado predictivo de regresión.
Los algoritmos se entrenan con datos históricos directamente para

producir un modelo. El modelo puede utilizarse posteriormente para
predecir valores de salida, como un número o una etiqueta de clase, para
nuevos ejemplos de entrada.

Página 6 de 23
Algoritmos de aprendizaje: Aprende de los datos históricos y haz
predicciones con nuevos ejemplos de datos.
Los algoritmos de meta-aprendizaje aprenden de la salida de otros

algoritmos de aprendizaje de máquinas que aprenden de los datos. Esto
significa que el meta-aprendizaje requiere la presencia de otros
algoritmos de aprendizaje que ya han sido entrenados con datos.
Por ejemplo, los algoritmos de meta-aprendizaje supervisado aprenden a

mapear ejemplos de resultados de otros algoritmos de aprendizaje (como
los números predichos o las etiquetas de clase) en ejemplos de valores
objetivo para problemas de clasificación y regresión.
De manera similar, los algoritmos de meta-aprendizaje hacen

predicciones tomando la salida de los algoritmos de aprendizaje de
máquinas existentes como entrada y prediciendo un número o etiqueta
de clase.
Algoritmos de meta-aprendizaje: Aprende de los resultados de los

algoritmos de aprendizaje y haz una predicción dada las predicciones
hechas por otros modelos.
De esta manera, el meta-aprendizaje se produce un nivel por encima del

Si el aprendizaje automático aprende a utilizar mejor la información de los

datos para hacer predicciones, entonces el meta-aprendizaje o
aprendizaje automático aprende a utilizar mejor las predicciones de los
algoritmos de aprendizaje automático para hacer predicciones.
Ahora que estamos familiarizados con la idea del meta-aprendizaje,

veamos algunos ejemplos de algoritmos de meta-aprendizaje.

Página 7 de 23
Meta-Algoritmos, Meta-
Clasificadores y Meta-Modelos
Los algoritmos de meta-aprendizaje a menudo se denominan
simplemente meta-algoritmos o meta-aprendices.
Meta-Algoritmo: Una mano corta para un algoritmo de aprendizaje

de una máquina de meta-aprendizaje.
Del mismo modo, los algoritmos de meta-aprendizaje para las tareas de

clasificación pueden denominarse metaclasificadores y los algoritmos de
meta-aprendizaje para las tareas de regresión pueden denominarse
meta-regresores.
Metaclasificador: Algoritmo de meta-aprendizaje para la

clasificación de tareas de modelado predictivo.
Meta-Regresión: Algoritmo de meta-aprendizaje para tareas de

modelado predictivo de regresión.
Después de que un algoritmo de meta-aprendizaje es entrenado, resulta

en un modelo de meta-aprendizaje, por ejemplo, las reglas específicas,
los coeficientes o la estructura aprendida de los datos. El modelo de
meta-aprendizaje o meta-modelo puede entonces ser usado para hacer
predicciones.
Meta-Modelo: Resultado de la ejecución de un algoritmo de meta-

aprendizaje.
El algoritmo de meta-aprendizaje más conocido se llama generalización

apilada, o apilamiento para abreviar.

Página 8 de 23
El apilamiento es probablemente la
técnica de meta-aprendizaje más
popular.
– Página 82, Clasificación de patrones usando métodos de ensamblaje,

2010.
El apilamiento es un tipo de algoritmo de aprendizaje en conjunto. El

aprendizaje en conjunto se refiere a los algoritmos de aprendizaje de
máquinas que combinan las predicciones de dos o más modelos de
predicción. El apilamiento utiliza otro modelo de aprendizaje automático,
un meta-modelo, para aprender a combinar mejor las predicciones de los
miembros del conjunto que contribuyen.
Para inducir un metaclasificador, primero

se entrenan los clasificadores de base
(primera etapa) y luego el
metaclasificador (segunda etapa). En la
fase de predicción, los clasificadores
base emitirán sus clasificaciones, y
luego el/los metaclasificador/es hará/n
la clasificación final (en función de los
clasificadores base).

Página 9 de 23
2010.
Como tal, el algoritmo de conjunto de apilamiento se conoce como un tipo

de meta-aprendizaje, o como un algoritmo de meta-aprendizaje.
Apilamiento: Algoritmo de aprendizaje en conjunto que utiliza el

meta-aprendizaje para combinar las predicciones hechas por los
miembros del conjunto.
También hay algoritmos de aprendizaje en conjunto menos conocidos que

utilizan un meta-modelo para aprender a combinar las predicciones de
otros modelos de aprendizaje de máquinas. En particular, una mezcla de
expertos que utiliza un modelo de compuerta (el meta-modelo) para
aprender a combinar las predicciones de los modelos de expertos.
Mediante el uso de un meta-aprendizaje,

este método trata de inducir qué
clasificadores son fiables y cuáles no.

2010.
En términos más generales, los meta-modelos para el aprendizaje

supervisado son casi siempre algoritmos de aprendizaje en conjunto, y
cualquier algoritmo de aprendizaje en conjunto que utilice otro modelo
para combinar las predicciones de los miembros del conjunto puede ser
denominado meta-algoritmo de aprendizaje.

Página 10 de 23
En su lugar, el apilamiento introduce el
concepto de un metalúrgico […] El
apilamiento trata de aprender qué
clasificadores son los fiables, utilizando
otro algoritmo de aprendizaje -el metal-
para descubrir la mejor manera de
combinar la salida de los alumnos de la
base.
– Página 497, Minería de datos: Herramientas y técnicas prácticas de

aprendizaje de máquinas, 2016.
Selección y ajuste de modelos

como meta-aprendizaje
El entrenamiento de un algoritmo de aprendizaje de máquinas en un
conjunto de datos históricos es un proceso de búsqueda.
La estructura interna, las reglas o los coeficientes que componen el

modelo se modifican frente a alguna función de pérdida.
Este tipo de proceso de búsqueda se denomina optimización, ya que no

buscamos simplemente una solución, sino una solución que maximice
una métrica de rendimiento como la clasificación o minimice una
puntuación de pérdida, como el error de predicción.

Página 11 de 23
Esta idea de aprendizaje como optimización no es simplemente una
metáfora útil; es el cálculo literal realizado en el corazón de la mayoría de
los algoritmos de aprendizaje automático, ya sea analíticamente (menos
cuadrados) o numéricamente (descenso de gradiente), o algún
procedimiento de optimización híbrido.
A un nivel superior al de la capacitación de un modelo, el meta-

aprendizaje implica encontrar un procedimiento de preparación de datos,
un algoritmo de aprendizaje e hiperparámetros de algoritmos de
aprendizaje (la tubería de modelación completa) que resulten en la mejor
puntuación para una métrica de rendimiento en el arnés de pruebas.
Este también es un procedimiento de optimización que es típicamente

realizado por un humano.
Como tal, podríamos pensar en nosotros mismos como meta-aprendices

en un proyecto de aprendizaje de máquinas.
Este no es el significado común del término, pero es un uso válido. Esto

cubriría tareas como la selección de modelos y el ajuste de
hiperparámetros de algoritmos.
La automatización del procedimiento se denomina generalmente

aprendizaje automático de la máquina…acortado a «Automóvil.”
… el usuario simplemente proporciona

datos, y el sistema AutoML determina
automáticamente el enfoque que mejor
funciona para esta aplicación en
particular. De este modo, AutoML hace

Página 12 de 23
que los enfoques de aprendizaje
automático de última generación sean
accesibles a los científicos del dominio
que están interesados en aplicar el
aprendizaje automático pero que no
tienen los recursos para conocer en
detalle las tecnologías que hay detrás de
él.
– Página ix, Aprendizaje automático de máquinas: Métodos, sistemas,

desafíos, 2019.
El automl no puede ser llamado meta-aprendizaje, pero los algoritmos de

automl pueden aprovechar el meta-aprendizaje a través de tareas de
aprendizaje, llamado aprender a aprender.
El meta-aprendizaje, o aprender a
aprender, es la ciencia que consiste en
observar sistemáticamente cómo los
diferentes enfoques de aprendizaje
automático funcionan en una amplia
gama de tareas de aprendizaje, y luego
aprender de esta experiencia, o de los
meta-datos, para aprender nuevas

Página 13 de 23
tareas mucho más rápido de lo que sería
posible de otra manera.
– Página 35, Aprendizaje automático de máquinas: Métodos, sistemas,

desafíos, 2019.
El aprendizaje multitarea como

meta-aprendizaje
Aprender a aprender es un campo de estudio relacionado que también se
conoce coloquialmente como meta-aprendizaje.
Si el aprendizaje implica un algoritmo que mejora con la experiencia en

una tarea, entonces aprender a aprender es un algoritmo que se utiliza a
través de múltiples tareas que mejora con las experiencias y las tareas.
…se dice que un algoritmo aprende a

aprender si su rendimiento en cada tarea
mejora con la experiencia y con el
número de tareas.
– Aprender a aprender: Introducción y panorama general, 1998.
En lugar de desarrollar manualmente un algoritmo para cada tarea o

Página 14 de 23
seleccionar y ajustar un algoritmo existente para cada tarea, los
algoritmos de aprendizaje se ajustan a sí mismos en base a una colección
de tareas similares.
El meta-aprendizaje proporciona un
paradigma alternativo en el que un
modelo de aprendizaje automático gana
experiencia a lo largo de múltiples
episodios de aprendizaje -a menudo
cubriendo una distribución de tareas
relacionadas- y utiliza esta experiencia
para mejorar su futuro rendimiento de
aprendizaje.
– Meta-aprendizaje en redes neuronales: A Survey, 2020.
Esto se conoce como el problema del aprendizaje multitarea.
Los algoritmos que se desarrollan para los problemas de aprendizaje de

múltiples tareas aprenden a aprender y pueden ser denominados meta-
aprendizaje.
La idea de usar el aprendizaje para

aprender o el meta-aprendizaje para

Página 15 de 23
adquirir conocimientos o sesgos
inductivos tiene una larga historia.
– Aprender a aprender por descenso de gradiente por descenso de

gradiente, 2016.
Aprender a aprender: Algoritmos de aprendizaje de aplicaciones en

problemas de aprendizaje de tareas múltiples en los que realizan
meta-aprendizaje a través de las tareas, por ejemplo, aprender sobre
el aprendizaje en las tareas.
Esto incluye técnicas familiares como el aprendizaje de transferencia que

son comunes en los algoritmos de aprendizaje profundo para la visión por
computadora. Aquí es donde una red neural profunda se entrena en una
tarea de visión por computadora y se utiliza como punto de partida, tal
vez con muy poca modificación o entrenamiento para una tarea de visión
relacionada.
El aprendizaje por transferencia funciona bien cuando las características

que son extraídas automáticamente por la red de las imágenes de entrada
son útiles en múltiples tareas relacionadas, como las características
abstractas extraídas de objetos comunes en las fotografías.
Esto suele entenderse en un contexto de

aprendizaje supervisado, en el que la
aportación es la misma pero el objetivo
puede ser de distinta naturaleza. Por

Página 16 de 23
ejemplo, podemos aprender sobre un
conjunto de categorías visuales, como
gatos y perros, en el primer contexto, y
luego aprender sobre un conjunto
diferente de categorías visuales, como
hormigas y avispas, en el segundo
contexto.
– Página 536, Aprendizaje profundo, 2016.
Más lecturas
Esta sección proporciona más recursos sobre el tema si desea
profundizar en él.
Tutoriales relacionados
Documentos
Libros
Artículos
Resumen
Página 17 de 23
En este tutorial, descubriste el meta-aprendizaje en el aprendizaje
automático.
Específicamente, aprendiste:
El meta-aprendizaje se refiere a los algoritmos de aprendizaje

automático que aprenden de la salida de otros algoritmos de
Los algoritmos de meta-aprendizaje se refieren típicamente a

algoritmos de aprendizaje en conjunto como el apilamiento, que
aprenden a combinar las predicciones de los miembros del conjunto.
El meta-aprendizaje también se refiere a los algoritmos que aprenden

a aprender a través de un conjunto de tareas de predicción
relacionadas, lo que se conoce como aprendizaje multitarea.
¿Tiene alguna pregunta?

Haga sus preguntas en los comentarios de abajo y haré lo posible por
responder.
Recomendado: Gran capacidad de detección y resultados

organizacionales posibilitados por el análisis de datos: evaluación
de los efectos mediadores de la cultura analítica de los negocios
Entradas relacionadas

Página 18 de 23
¿Los sistemas de IA realmente tienen su propio lenguaje secreto?

Página 19 de 23
Use ‘Experimentos’ para probar los anuncios de Google

Página 20 de 23
Aprovechar los gráficos de conocimiento para enriquecer el
aprendizaje automático
La FDA otorga $1 millón a la Facultad de Farmacia de Texas A&M,

AACP

Página 21 de 23
Investigadores del MIT utilizaron IA para hacer que el tráfico
transcurriera sin problemas y reducir el consumo de combustible y
las emisiones

Página 22 de 23
UGA ayudará a alimentar a la creciente población a través del
instituto Precision Ag
Top Big Data

Página 23 de 23

¿Qué Es El Meta-Aprendizaje en El Aprendizaje Automático? - Top Big Data

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

¿Qué Es El Meta-Aprendizaje en El Aprendizaje Automático? - Top Big Data

Cargado por

Copyright:

Formatos disponibles

MACHINE LEARNING

https://topbigdata.es/que-es-el-meta-aprendizaje-en-el-aprendizaje-automatico/ 7/6/22 21:45

Más comúnmente, esto significa el uso de algoritmos de aprendizaje

No obstante, el meta-aprendizaje también podría referirse al proceso

En este tutorial, descubrirá el meta-aprendizaje en el aprendizaje

Recomendado: ¿Qué es el Big data?.

Después de completar este tutorial, lo sabrás:

https://topbigdata.es/que-es-el-meta-aprendizaje-en-el-aprendizaje-automatico/ 7/6/22 21:45

Los algoritmos de meta-aprendizaje se refieren típicamente a

El meta-aprendizaje también se refiere a los algoritmos que aprenden

Cursos Big Data

¿Qué es el Big data?

Términos Big data

https://topbigdata.es/que-es-el-meta-aprendizaje-en-el-aprendizaje-automatico/ 7/6/22 21:45

Resumen del Tutorial

3. Meta-Algoritmos, Meta-Clasificadores y Meta-Modelos

4. Selección y ajuste de modelos como meta-aprendizaje

5. El aprendizaje multitarea como meta-aprendizaje

Recomendado: Tipos y ejemplos de bases de datos NoSQL.

Meta típicamente significa elevar el nivel de abstracción un paso y a

Por ejemplo, probablemente esté familiarizado con «meta-datosque son

https://topbigdata.es/que-es-el-meta-aprendizaje-en-el-aprendizaje-automatico/ 7/6/22 21:45

– Página 512, Minería de datos: Herramientas y técnicas prácticas de

Recomendado: Mejores bases de datos NoSQL de código abierto y libre.

Usted almacena datos en un archivo y un ejemplo común de metadatos

El nombre del archivo.

El tamaño del archivo.

La fecha en que se creó el archivo.

https://topbigdata.es/que-es-el-meta-aprendizaje-en-el-aprendizaje-automatico/ 7/6/22 21:45

La ruta del archivo.

Ahora que estamos familiarizados con la idea de «metaconsideremos el

El meta-aprendizaje en el aprendizaje automático se refiere más

En nuestro proyecto de aprendizaje de la máquina, en el que estamos

Los algoritmos de aprendizaje de máquinas aprenden de los datos

Los algoritmos se entrenan con datos históricos directamente para

https://topbigdata.es/que-es-el-meta-aprendizaje-en-el-aprendizaje-automatico/ 7/6/22 21:45

Los algoritmos de meta-aprendizaje aprenden de la salida de otros

Por ejemplo, los algoritmos de meta-aprendizaje supervisado aprenden a

De manera similar, los algoritmos de meta-aprendizaje hacen

Algoritmos de meta-aprendizaje: Aprende de los resultados de los

De esta manera, el meta-aprendizaje se produce un nivel por encima del

Si el aprendizaje automático aprende a utilizar mejor la información de los

Ahora que estamos familiarizados con la idea del meta-aprendizaje,

https://topbigdata.es/que-es-el-meta-aprendizaje-en-el-aprendizaje-automatico/ 7/6/22 21:45

Meta-Algoritmo: Una mano corta para un algoritmo de aprendizaje

Del mismo modo, los algoritmos de meta-aprendizaje para las tareas de

Metaclasificador: Algoritmo de meta-aprendizaje para la

Meta-Regresión: Algoritmo de meta-aprendizaje para tareas de

Después de que un algoritmo de meta-aprendizaje es entrenado, resulta

Meta-Modelo: Resultado de la ejecución de un algoritmo de meta-

El algoritmo de meta-aprendizaje más conocido se llama generalización

https://topbigdata.es/que-es-el-meta-aprendizaje-en-el-aprendizaje-automatico/ 7/6/22 21:45

– Página 82, Clasificación de patrones usando métodos de ensamblaje,

El apilamiento es un tipo de algoritmo de aprendizaje en conjunto. El

Para inducir un metaclasificador, primero

https://topbigdata.es/que-es-el-meta-aprendizaje-en-el-aprendizaje-automatico/ 7/6/22 21:45

Como tal, el algoritmo de conjunto de apilamiento se conoce como un tipo

Apilamiento: Algoritmo de aprendizaje en conjunto que utiliza el

También hay algoritmos de aprendizaje en conjunto menos conocidos que

Mediante el uso de un meta-aprendizaje,

– Página 82, Clasificación de patrones usando métodos de ensamblaje,

En términos más generales, los meta-modelos para el aprendizaje

https://topbigdata.es/que-es-el-meta-aprendizaje-en-el-aprendizaje-automatico/ 7/6/22 21:45