Genelleştirilmiş hedefler belirleyen ve modelin önceden tanımlanmış metriklere sıkı sıkıya bağlı kalmak yerine farklı yaklaşımları keşfetmesini ve denemesini teşvik eden bir tür makine öğrenmesi, esneklik ve inovasyonu ön plana çıkaran modern bir yaklaşımdır. Bu öğrenme yöntemi, genellikle hedef tabanlı öğrenme veya geniş spektrumlu öğrenme olarak adlandırılır ve geleneksel makine öğrenmesi algoritmalarının ötesinde düşünür. Geleneksel yöntemler, belirli bir doğruluk, F1 skoru veya diğer metrikleri optimize etmek için katı kurallara dayanırken, genelleştirilmiş hedefler belirleyen bu yöntem, daha geniş ve esnek hedefler tanımlar. Bu sayede model, farklı veri kümeleri ve problemlere uyum sağlarken yeni ve yaratıcı çözüm yollarını keşfetme fırsatına sahip olur.
Örneğin, bir görüntü tanıma sistemi geliştirirken, geleneksel metodlar belirli bir sınıflandırma doğruluğu metriklerine odaklanır. Oysa, genelleştirilmiş hedefler belirleyen bir makine öğrenmesi modeli, görüntülerin daha genel özelliklerini anlama veya farklı sınıflandırma yöntemlerini araştırma gibi daha geniş hedeflere yönelebilir. Bu yaklaşımda, modelin süreç içinde çeşitli denemeler yaparak farklı stratejileri test etmesi teşvik edilir. Örneğin, bir model, derin öğrenme yerine kenar algılama tekniklerini kullanarak görüntü tanıma görevine yaklaşabilir. Bu tür deneysel süreçler, daha yenilikçi ve bazen de daha etkili sonuçların elde edilmesini sağlar.
Genelleştirilmiş hedefler belirleyen makine öğrenmesi, adaptif öğrenme ve meta-öğrenme kavramlarıyla da yakından ilişkilidir. Adaptif öğrenme, modelin çevresel koşullara ve yeni bilgilere göre kendini güncellemesi anlamına gelirken, meta-öğrenme, modelin kendi öğrenme süreçlerini gözlemleyerek nasıl daha verimli öğrenebileceğini öğrenmesidir. Örneğin, bir dil modeli geliştirirken, modelin sadece belirli bir doğruluk metriğine odaklanmak yerine, kelime anlamları ve dilbilgisel yapıların nasıl daha etkili bir şekilde öğrenilebileceğine dair genel hedefler ele alması, daha esnek ve kapsamlı bir dil modeli oluşturabilir. Bu şekilde, model farklı türdeki dil görevlerine daha hazır hale gelir ve çeşitli dil yapıları üzerindeki performansını optimize edebilir.