\n
1. \n

   Wprowadzenie

   \n
\n
2. \n

   Od algorytmów uczących się do algorytmów meta-uczenia

   \n
\n
3. \n

   Podstawy meta-uczenia

   \n
\n

3.1. Kroswalidacja używana do uczenia maszyn\n3.2. Komitety maszyn i meta-uczenie\n3.3. Meta-uczenie w oparciu o meta-charakterystyki\n3.4. Inne metody meta-uczenia\n3.5. O niewystarczalności różnych koncepcji meta-uczenia

\n
1. Uniwersalna architektura systemu inteligencji obliczeniowej
\n

4.1. Elementy systemu inteligencji obliczeniowej\n4.2. Unifikacja maszyn i mechanizm podwójnej pamięci podręcznej maszyn\n4.3. Dyskowy system pamięci podręcznej\n4.4. Nadzorowanie procesów losowych i ich wpływu na proces unifikacji\n4.5. Proces tworzenia maszyny i system kolejkowania zadań\n4.6. System zbierania i analizy wyników

\n
1. Uniwersalna maszyna optymalizacji meta-parametrów (UMOM)
\n

5.1. Uniwersalna maszyna optymalizacyjna (UMOM)\n5.2. Realizacje scenariuszy optymalizacyjnych\n5.3. Ontologia metod optymalizacji maszyn uczących

\n
1. Konstrukcje zaawansowanych algorytmów meta-uczenia
\n

6.1. Ogólny schemat algorytmów meta-uczenia\n6.2. Problem określania konfiguracji meta-uczenia\n6.3. Funkcyjna forma opisu przestrzeni przeszukiwania w meta-uczeniu\n6.4. Elementy głównego algorytmu meta-uczenia\n6.5. Aproksymacja złożoności maszyn uczących\n6.6. Typy meta-wiedzy\n6.7. Analiza działania algorytmu meta-uczenia

A. Metody testowania algorytmów inteligencji obliczeniowej

B. Tabele porównawcze dla porównania metod selekcji instancji

Bibliografia