Ponente
Descripción
Con el desarrollo de la ciencia en el campo de la Inteligencia Artificial, el uso de aplicaciones de Aprendizaje de Máquinas Automático (AutoML) ha ido en ascenso en los últimos tiempos. El uso de Meta-learning proporciona optimización y rendimiento de estos programas aprovechando conocimiento ya computado. Este método aprende de tareas previamente analizadas, proporcionando una idea de solución a futuros problemas de características semejantes, acelerando el proceso de AutoML y obteniendo mejores resultados en el mismo período de tiempo. Este artíciulo aborda la implementación y evaluación de técnicas de Meta-learning en el marco de AutoGOAL, una plataforma de aprendizaje automático orientada a la automatización de la selección y optimización de algoritmos. El estudio se centra en la búsqueda eficiente de los modelos generados mediante la integración de estrategias que permiten aprovechar conocimiento previo de tareas similares convergiendo a soluciones óptimas. Se presentan y comparan diversas estrategias de optimización, incluyendo métodos basados en ajuste de hiperparámetros y selección de algoritmos. Los experimentos realizados demuestran que la incorporación de Meta-learning reduce el tiempo de convergencia y mejora el rendimiento en tareas complejas. Además, se discuten las limitaciones y oportunidades futuras para la aplicación de estas técnicas en escenarios de aprendizaje automático más amplios.
