PAC-Lernen zur Insolvenzerkennung und Hotspot-Identifikation

Die Methoden des maschinellen Lernens erweisen sich nicht nur in der Bioinformatik als sehr effektiv, sondern auch in anderen Bereichen, vor allem wegen ihrer Universalität. Ein weiteres Modell im Bereich des maschinellen Lernens ist das Konzept-Lernen (hier PAC-Lernen). Der Autor entwickelt und analysiert eine für die Praxis relevante Konzeptklasse und die dafür notwendigen Lernalgorithmen. Das PAC-Lernen wird in zwei verschiedenen Anwendungsbereichen, zum einen in der Betriebswirtschaft, zur Insolvenzvorhersage und zum anderen in der Bioinformatik, zur Erkennung von Hotspots in Protein- Protein-Wechselwirkungen, validiert. Bei der Insolvenzvorhersage wird versucht, eine Aussage über eine bevorstehende Insolvenz eines deutschen Unternehmens zu treffen. Die Ergebnisse des PAC-Lernens werden anschließend mit bewährten Verfahren zur Insolvenzvorhersage verglichen. Bei der Hotspot-Identifikation in Protein-Protein-Wechselwirkungen wird versucht, Aminosäuren, die in Interfaces (Bindestellen) lokalisiert sind, zu charakterisieren. Durch dieses Vorgehen werden zwei unterschiedliche Anwendungsbereiche über dieselbe Methode (PAC-Lernen) miteinander verknüpft.