Meta-learning – "uczenie się, jak się uczyć".

Jest to dziedzina w ramach sztucznej inteligencji i uczenia maszynowego, której celem jest rozwijanie modeli zdolnych do adaptacji i efektywnego uczenia się na podstawie niewielkiej liczby przykładów lub doświadczeń. Podejście to polega na wykorzystaniu wcześniejszej wiedzy zdobytej podczas rozwiązywania różnych zadań do przyspieszenia procesu uczenia się nowych zadań. Dzięki temu systemy oparte na tym podejściu potrafią szybko dostosowywać się do nowych warunków i problemów, co jest szczególnie użyteczne w sytuacjach, gdzie dostęp do dużych zbiorów danych jest ograniczony.

Techniki stosowane w tej dziedzinie obejmują między innymi metody optymalizacji, które modyfikują sposób uczenia się sieci neuronowych, a także strategie charakterystyczne dla uczenia transferowego i uczenia wielozadaniowego. W praktyce meta-learning pozwala na tworzenie modeli bardziej elastycznych i skutecznych, potrafiących generalizować wiedzę oraz efektywnie wykorzystywać zasoby obliczeniowe. Z tego względu znajduje zastosowanie w różnorodnych obszarach, takich jak rozpoznawanie obrazów, przetwarzanie języka naturalnego czy robotyka, gdzie warunki działania często ulegają zmianom.