William Senfuma, magister nauk ?cislych: studiowal informatyk? na Uniwersytecie Makerere. Analityk danych w firmie Tiaxa w Niemczech. Wybór najlepszego algorytmu odkrywania zwi?zków przyczynowych dla nowego zbioru danych jest trudnym i czasochlonnym procesem, poniewa? wymaga od badacza posiadania wcze?niejszej wiedzy na temat istniej?cych standardowych algorytmów uczenia si? struktur. W ramach niniejszych bada? zaproponowano nowatorskie podej?cie do tego problemu oparte na meta-uczeniu. Meta-uczenie odnosi si? do uczenia si? o algorytmach uczenia, w którym wykorzystuje si? ró?ne rodzaje metadanych, takie jak wla?ciwo?ci problemu uczenia, miary wydajno?ci ró?nych algorytmów oraz poprzednie wzorce wyprowadzone z danych, w celu wybrania najlepszego lub kombinacji algorytmów uczenia, które pozwol? skutecznie rozwi?zac dany problem uczenia. Wykorzystano kilka sieci bayesowskich opisanych w literaturze, z których pobrano próbki w celu wygenerowania tysi?cy zbiorów danych, a nast?pnie wyodr?bniono z nich konkretne cechy do celów meta-uczenia. Na ka?dym z wygenerowanych zbiorów danych uruchomiono trzy standardowe algorytmy uczenia struktury w celu odkrycia podstawowych sieci przyczynowych, a nast?pnie oceniono ich wydajno?c. Dzi?ki naszym nowym technikom udalo nam si? wdro?yc narz?dzie do generowania wielu modeli przyczynowych, pobierania wielu zbiorów danych z ka?dego modelu, a nast?pnie okre?lenia najlepszego lub kombinacji algorytmów dla nowych zbiorów danych poprzez meta-uczenie.