Autonomes Lernen aus Beispielen

Maschinelles Lernen ist eine der großen Herausforderungen der künstlichen 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 zunächst in extensionaler Form ausgedrückt werden, anhand einer Reihe von klassifizierten Beispielen intensiv zu beschreiben. Die meisten Methoden gehen von einer festen Sammlung von Beispielen aus, die als ausreichend aussagekräftig angesehen wird. Für die überwiegende Mehrheit der relativ komplexen Probleme ist eine solche Ausgangssammlung jedoch nicht immer verfügbar. Darüber hinaus können viele Beispiele noch unentdeckt sein und einige von ihnen sind unvollständig spezifiziert. In diesem Buch wird eine Lösung für 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.