Uczenie się z danych to zadania algorytmów inteligencji obliczeniowej. W konsekwnecji pozytywnego uczenia się z danych następuje odkrywanie wiedzy, czyli budowanie matematycznego modelu obrazującego w ściśle określony sposób zdobytą wiedzę.

To jakie zostaną stworzone modelezależy od algorytmów, ich konfiguracji i danych, na których nastąpi uczenie. Metody meta-uczenia w inteligencji obliczeniowej powstały jako próba automatyzacji doboru modelu do określonego modelu.

Rozdziały:

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