Modellbildung, Wissensrevision und Wissensrepräsentation im Maschinellen Lernen

Das Buch vermittelt eine neue Sichtweise auf das Problem des induktiven Lernens. Unter Einbeziehung von Ansätzen aus der Wissenschaftstheorie und Psychologie wird eine Konzeption entwickelt, die es maschinell lernenden Systemen ermöglicht, auch in komplexen Weltausschnitten zu lernen. Es wird dargestellt, daß eine Modellbildung in komplexen Weltausschnitten nur in mehrstufigen Prozeßen möglich ist. Innerhalb einer Lernstufe ist der Einsatz von Strategien erforderlich, die auf die Bestätigung und Verfeinerung des aktuellen Models ausgerichtet sind. Solche Strategien müssen durch andere, nicht konservative Strategien ergänzt werden, die "revolutionäre" Entwicklungen ermöglichen und damit den Übergang zu einer neuen Entwicklungsstufe erlauben. Ein maschinell lernendes System, das auf eine solche Weise lernt, stellt eine Reihe von Anforderungen an die Wissensrepräsentationskomponente. Diese werden ausführlich dargestellt und am Beispiel einer Inferenzmaschine operativ eingelöst. Die breite und umfassende Behandlung des Revisionsproblems beim maschinellen Lernen führt zu einem Ansatz, der auch in anderen Bereichen der Wissensverarbeitung interessante Konsequenzen haben wird.