兩個詞來區分元學習與它之前的深度學習的區別：ai（artificial intelligence）和agi（artificial general intelligence) 。 元學習致力於打造乙個具有一定通用性（能夠適用於不同場景、不同問題、甚至不同領域）的網路模型，而之前的ai是將自己的網路模型做到在某一領域具有更高精度、更好泛化性和魯棒性的網路。
第一步：給定乙個network structure，在該給定的network structure下定義乙個初始引數向量fai0；
第二步：預備好n個訓練任務（trainning task），每個訓練任務都各有一組training data和一組test data。不同組的資料型別最好差異化，使得資料本身多樣，從而讓訓練的模型能夠具有更好泛化性。
第三步：在第一組trainning task下做一次迭代，得到乙個小loss，並用loss計算它的梯度（多迭代一次，計算第二次的梯度，去更新fai0->fai1）；第二組trainning task下做一次迭代，得到乙個小loss，並用loss計算第二組的梯度（多迭代一次，計算第二次的梯度，去更新fai1->fai2）；…依次迴圈完所有的n個trainning task。 最後得到的網路模型未必是單個種類上最優的引數，但是確實最具有潛力的，後面通過test data再訓練後，能夠讓它在單個領域內，能夠達到更好的精度，接近最優解。
第四步：要把上面訓練出來的網路用於具體某一領域問題的時候，需要先用測試任務進行二次初始化。設定n個測試任務（testing task），每一組測試任務裡面都有各有一組training data和一組test data，進行網路二次訓練，然後使得網路適用於當前的問題。
第五步：驗證任務，相當於ai裡面的測試過程，驗證該網路的精度、時效性和魯棒性等各項效能。
強化學習系列 1 基本概念
figure 1 1 reinforcement learning is a multidisciplinary concept 3.強化學習如何解決問題以及一些相關概念 強化學習不同於有監督學習和無監督學習，它不關心輸入長什麼樣子，只關心當前輸入下應該採用什麼樣的動作才能實現最終目標。當前採用什麼...
機器學習（1） 基本概念
神經網路技術起源與上世紀50年代。當時叫做感知機。擁有輸入層，輸出層和乙個隱含層。這種感知機被稱為單層感知機 1959，機器學習被定義為不直接程式設計的情況下賦予計算機學習能力。1974年哈佛大學的paul werbos發明bp演算法。bp演算法正是用來求解這種多層復合函式的所有變數的偏導數的利器。...
機器學習1 基本概念
1.機器學習定義 機器學習 arthur samuel，1959 在確定程式設計之外給予計算機學習能力的研究領域。機器學習 tom mitchell，1998 如果電腦程式對於任務t的效能度量p通過經驗e得到了提高，則認為此程式對e進行了學習。2.機器學習四個主要內容 監督學習 包括回歸 連續性問題...