Information Technology Reference
In-Depth Information
In den Objekten ist deklaratives Wissen prozedural gekapselt, d. h. nur durch eine Nachricht und die
darauf folgenden Ausführung einer Prozedur zugänglich.
So werden derzeit neben gängigen Programmiersprachen, Merkmalslisten und Netzen mit
Aktivitätsausbreitung, Attribut-Wert-Strukturen, semantische Netze und Frames, Logik,
Produktionsregeln, Neuronale Netze, Fuzzy Logic, Evolutionäre Algorithmen eingesetzt.
In konnektionistischen Systemen im Allgemeinen und in neuralen Netzen oder Fuzzy Systemen im
Speziellen steckt „Wissen“ in der Verbindungsstruktur, den Gewichten der einzelnen Verbindungen
sowie auch in den Eigenschaften der Verarbeitungselemente.
Lernen kann unter Zuhilfenahme von Lehrmethoden, Lernstrategien und dem Einsatz von
Technologien funktional und prozessual zum maschinellen Lernen ausgestaltet werden.
Unterschiedliche Formen des Lernens sind bekannt und werden von verschiedenen Lerntheorien be-
schrieben. Die genaue Funktionsweise des Lernens ist allerdings wissenschaftlich noch nicht geklärt
und durchaus umstritten, weshalb sich verschiedene Lerntheorien in Ansätzen und Herangehenswei-
sen durchaus widersprechen können.
Maschinelles Lernen ist dabei ein Oberbegriff für die „künstliche“ Generierung von Wis-
sen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann nach Beendi-
gung der Lernphase verallgemeinern. Das heißt, es lernt nicht einfach die Beispiele aus-
wendig, sondern es „erkennt“ Gesetzmäßigkeiten in den Lerndaten. So kann das System
auch unbekannte Daten beurteilen.
Das Thema ist eng verwandt mit Data-Mining, bei dem es jedoch vorwiegend um das Finden von
neuen Mustern und Gesetzmäßigkeiten geht.
Beim maschinellen Lernen spielen Art und Mächtigkeit der Wissensrepräsentation eine
wichtige Rolle. Man unterscheidet zwischen symbolischen Systemen, in denen das Wis-
sen - sowohl die Beispiele als auch die induzierten Regeln - explizit repräsentiert ist, und
subsymbolischen Systemen, wie neuronale Netze, denen zwar ein berechenbares Verhal-
ten „antrainiert“ wird, die jedoch keinen Einblick in die erlernten Lösungswege erlauben,
d. h. dass hier Wissen implizit repräsentiert ist. Bei den symbolischen Ansätzen werden
aussagenlogische und prädikatenlogische Systeme unterschieden.
Die praktische Realisierung erfolgt mittels Algorithmen. Die verschiedenen Algorith-
men aus dem Bereich des maschinellen Lernens lassen sich einteilen in:
Überwachtes Lernen (  supervised learning ): Der Algorithmus lernt eine Funktion aus
gegebenen Paaren von Ein- und Ausgaben. Dabei stellt während des Lernens ein „Leh-
rer“ den korrekten Funktionswert zu einer Eingabe bereit. Ein Teilgebiet des überwach-
ten Lernens ist die automatische Klassifizierung.
Unüberwachtes Lernen (  unsupervised learning ): Der Algorithmus erzeugt für eine ge-
gebene Menge von Eingaben ein Modell, das die Eingaben beschreibt und Vorhersagen
ermöglicht. Dabei gibt es Clustering-Verfahren, die die Daten in mehrere Kategori-
Search WWH ::




Custom Search