传统的机器学习（ML）严重依赖机器学习专家的手动设计来决定学习任务、数据、模型、优化算法和评估指标，这是劳动密集型、耗时的，并且不能像人类一样自主学习。在教育科学中，人类学习者在不需要动手指导的情况下自行选择学习任务和材料的自主学习已被证明比被动的教师指导学习更有效。受自导人类学习概念的启发，我们引入了自导机器学习 (SDML) 的主要概念，并提出了 SDML 的框架。具体来说，我们将 SDML 设计为一个以自我意识为导向的自主学习过程，包括内部意识和外部意识。我们提出的 SDML 过程受益于自我任务选择、自我数据选择、自我模型选择、自我优化策略选择和自我评估指标选择，通过自我意识而无需人工指导。同时，SDML 过程的学习表现作为反馈，进一步提高自我意识。我们提出了一种基于多级优化的 SDML 数学公式。此外，我们还介绍了案例研究以及 SDML 的潜在应用，然后讨论了未来的研究方向。我们期望 SDML 可以使机器进行类似人类的自主学习，并为通用人工智能提供新的视角。通过自我意识进行自我优化策略选择和自我评估指标选择，无需人工指导。同时，SDML 过程的学习表现作为反馈，进一步提高自我意识。我们提出了一种基于多级优化的 SDML 数学公式。此外，我们还介绍了案例研究以及 SDML 的潜在应用，然后讨论了未来的研究方向。我们期望 SDML 可以使机器进行类似人类的自主学习，并为通用人工智能提供新的视角。通过自我意识进行自我优化策略选择和自我评估指标选择，无需人工指导。同时，SDML 过程的学习表现作为反馈，进一步提高自我意识。我们提出了一种基于多级优化的 SDML 数学公式。此外，我们还介绍了案例研究以及 SDML 的潜在应用，然后讨论了未来的研究方向。我们期望 SDML 可以使机器进行类似人类的自主学习，并为通用人工智能提供新的视角。我们将案例研究与 SDML 的潜在应用一起呈现，然后讨论未来的研究方向。我们期望 SDML 可以使机器进行类似人类的自主学习，并为通用人工智能提供新的视角。我们将案例研究与 SDML 的潜在应用一起呈现，然后讨论未来的研究方向。我们期望 SDML 可以使机器进行类似人类的自主学习，并为通用人工智能提供新的视角。



"点击查看英文标题和摘要"