Autonomes Lernen aus Beispielen

Maschinelles Lernen ist eine der gro en Herausforderungen der k nstlichen Intelligenz. Induktives Schlussfolgern aus klassifizierten Beispielen ist die Grundlage vieler Data-Mining-Methoden, die heutzutage im Bereich der Massendatenverarbeitung so in Mode sind. Die Aufgabe solcher Methoden besteht darin, eine Sammlung von Konzepten, die zun chst in extensionaler Form ausgedr ckt werden, anhand einer Reihe von klassifizierten Beispielen intensiv zu beschreiben. Die meisten Methoden gehen von einer festen Sammlung von Beispielen aus, die als ausreichend aussagekr ftig angesehen wird. F r die berwiegende Mehrheit der relativ komplexen Probleme ist eine solche Ausgangssammlung jedoch nicht immer verf gbar. Dar ber hinaus k nnen viele Beispiele noch unentdeckt sein und einige von ihnen sind unvollst ndig spezifiziert. In diesem Buch wird eine L sung f r solche Situationen vorgeschlagen, die auf einem autonomen Lernmodell basiert, das durch einen Prozess der inkrementellen induktiv-deduktiven Argumentation und durch die Erfahrungen des Modells selbst und des Benutzers geleitet wird, wobei die Anzahl der zu untersuchenden Beispiele nicht begrenzt ist.