Information Technology Reference
In-Depth Information
en einteilen, die sich durch charakteristische Muster voneinander unterscheiden. Ein
wichtiger Algorithmus in diesem Zusammenhang ist der EM-Algorithmus, der iterativ
die Parameter eines Modells so festlegt, dass es die gesehenen Daten optimal erklärt.
Er legt dabei das Vorhandensein nicht beobachtbarer Kategorien zugrunde und schätzt
abwechselnd die Zugehörigkeit der Daten zu einer der Kategorien und die Parameter,
die die Kategorien ausmachen. Eine Anwendung des EM-Algorithmus findet sich bei-
spielsweise in den Hidden Markov Models (HMMs). Andere Methoden des unüber-
wachten Lernens verzichten auf die Kategorisierung. Sie zielen darauf ab, die beob-
achteten Daten in eine einfachere Repräsentation zu übersetzen, die sie trotz drastisch
reduzierter Information möglichst genau wiedergibt.
•
Bestärkendes Lernen
(
reinforcement learning
): Der Algorithmus lernt durch Beloh-
nung und Bestrafung eine Taktik, wie in potenziell auftretenden Situationen zu handeln
ist, um den Nutzen des Agenten (d. h. des Systems, zu dem die Lernkomponente ge-
hört) zu maximieren.
Des Weiteren unterscheidet man zwischen Batch-Lernen, bei denen alle Eingabe/Ausgabe
Paare gleichzeitig vorhanden sind und kontinuierlichem (sequentiellen) Lernen, bei dem
sich die Struktur des Netzes zeitlich versetzt entwickelt.
Als
Erfahrung
wird in dieser Implementierungsvariante zweierlei bezeichnet: im Ein-
zelfall ein bestimmtes Erlebnis eines Agenten in Form eines von ihm selbst wahrgenom-
menen Ereignisses, oder allgemein - und dann im Sinne von „Lebenszykluserfahrung“-
die Gesamtheit aller Erlebnisse, die ein Agent in deren Lebenszyklus jemals gehabt hat.
Das entspricht auch der Auffassung seitens der Pädagogik, die zwischen
Primärerfahrung
und
Se-
kundärerfahrung
unterscheidet. Primärerfahrungen sind unmittelbare Erfahrungen, die in direktem
Kontakt mit Mitmenschen oder einem Objekt gemacht werden. Erfahrungen, die man aus der Wahr-
nehmung anderer übernimmt, sind Sekundärerfahrungen. Hierzu zählen beispielsweise Erfahrun-
gen, die durch Medien vermittelt werden.
Mit anderen Worten unterscheidet das Lernsystem zwischen einer intrinsischen (inneren)
Erfahrung von der einer extrinsischen (äußeren) Erfahrung. Äußere Erfahrung bezieht
sich auf das Erleben von „äußeren“, d. h. in der Umwelt stattfindenden Ereignissen, wäh-
rend innere Erfahrungen sich vollständig im Bereich des Systems durch Reflexion ab-
spielen. So kann Erfahrung an Phänomenen, wie Wissen, Fähigkeiten, Überzeugungen
und Meinungen oder auch an der Herausbildung individueller wie kultureller Weltbilder
maßgeblich beteiligt sein. Der Erfahrungsbegriff betont dabei im Unterschied zu anderen
möglichen Formen des Wissens, dass dieses durch unmittelbares Verhalten zustande ge-
kommen ist. Dieser verhaltensorientierte Ansatz von Erfahrung ist implementierungsbe-
dingt immer nur auf einen bestimmten Agenten bezogen, kann allerdings auch die gesamte
Population der Agenten erreichen.
Die im artifiziellen Lernen verwendeten Repräsentationsformalismen zur Darstellung
solcher Erfahrungen lassen sich in drei Kategorien einteilen: durch Eigenschaftsvektoren,
durch Attributsvektoren und durch relationale Strukturen. Bei der einfachsten Repräsen-
