دور التعلم الآلي مدى الحياة في سد الفجوة بين التعلم البشري والتعلم الآلي: تحليل علمي مقياسي

الملخص بسبب التقدم في تقنيات جمع البيانات وتخزينها ومعالجتها، أصبح التعلم الآلي نموذجًا مزدهرًا ومهيمنًا. ومع ذلك، فإن أحد أوجه القصور الرئيسية فيه هو أن نموذج التعلم الآلي الكلاسيكي يعمل في عزلة دون الاستفادة من المعرفة المكتسبة من التعلم من المهام ذات الصلة في الماضي. للتغلب على ذلك، تم اقتراح مفهوم التعلم الآلي مدى الحياة (LML)، بهدف محاكاة كيفية تعلم البشر واكتساب المعرفة. أظهرت أبحاث التعلم البشري أن الدماغ يربط المعلومات التي تم تعلمها سابقًا أثناء تعلم معلومات جديدة من مثال واحد أو عدد قليل من الأمثلة. وبالمثل، فإن نظام LML يتعلم باستمرار من خلال تخزين وتطبيق المعلومات المكتسبة. بدءًا من تحليل كيفية تعلم الدماغ البشري، يوضح هذا البحث أن إطار LML يتشارك في هيكل وظيفي مع الدماغ عندما يتعلق الأمر بحل المشكلات الجديدة باستخدام المعلومات التي تم تعلمها سابقًا. كما يقدم وصفًا لإطار LML، مع التأكيد على أوجه التشابه مع تعلم الدماغ البشري. يوفر أيضًا خوارزميات لتوليد رسم الاقتباس وتحليل مقياسي علميًا للأدب المتعلق بـ LML، بما في ذلك معلومات حول مجموعات البيانات ومقاييس التقييم التي تم استخدامها في التقييم التجريبي لأنظمة LML. أخيرًا، يقدم قضايا بارزة واتجاهات البحث المستقبلية المحتملة في مجال LML. هذه المقالة مصنفة تحت: التقنيات > التعلم الآلي.