Machine learning and knowledge based systems (Q4353352)

In diesem Buch geht es um eine differenzierte Betrachtungsweise der Einsatzmöglichkeiten maschinellen Lernens, bei der die Gegebenheiten des jeweiligen Anwendungsgebietes sowie der verschiedenen Phasen des Lebenszyklus einer Wissensbasis berücksichtigt werden. Die im nächsten Kapitel vorgestellten Phasen des Lebenszyklus sind Wissensmodellierung, Initialisierung, Einsatz, Erweiterung, Modifikation und globale Adaptierung einer Wissensbasis. Als zentrale Ergebnisse -- sowohl für das maschinelle Lernen als auch für das jeweilige Anwendungsgebiet -- werden vier Systeme vorgestellt, die jeweils völlig unterschiedliche Lernaufgaben mit verschiedenen Lernalgorithmen durchführen. Trotz der Unterschiede besitzen die vier Systeme eine Gemeinsamkeit: Alle vier sind integrierte Lernsysteme, d.h. sie realisieren eine (auf die Anwendung zugeschnittene) Integration von Lernstrategie(n) und Problemlösungskomponente. Damit spiegeln sie die sich in letzter Zeit zunehmend durchsetzende Überzeugung wider, daß eine separate Bearbeitung von Lernen und Problemlösen nicht erfolgversprechend ist. Zwei der Systeme, COSIMA und LEFT, zeichnen sich ferner durch die Integration der Problemlösungskomponente mit mehreren Lernstrategien (Multistrategielernen) aus. Aufgrund der neuen Ergebnisse und Systeme ist das vorliegende Buch zum einen für Forscher und Anwender von Interesse. Durch die neue Systematik zur Darstellung des Themengebietes ist es ferner gleichermaßen als Lehrbuch geeignet. Der Lebenszyklus einer Wissensbasis erweist sich als geeignetes Gliederungsprinzip, anhand dessen sich die Darstellung vorhandener und neuer Arbeiten strukturieren und in einen größeren Kontext einordnen läßt. Damit wird dem Leser ein Methodenrepertoire für die verschiedenen Phasen des Lebenszyklus einer Wissensbasis zur Verfügung gestellt. Jeder Phase ist ein eigenes Kapitel gewidmet, in dem der Stand der Technik im Bereich des maschinellen Lernens dargestellt wird. Außerdem wird gezeigt, welche unterschiedlichen Anforderungen an maschinelle Lernsysteme für die verschiedenen Phasen bestehen. Um den ohnehin weit gesteckten thematischen Rahmen nicht zu sprengen, werden schwerpunktmäßig Ansätze vorgestellt und diskutiert, die durch eine symbolische Repräsentation und Verarbeitung von Wissen charakterisiert sind. Lernstrategien, die numerische Repräsentationsformen nutzen, insbesondere Evolutionsstrategien [Schwefel, 1981], neuronale Netze [Rosenblatt, 1958; Kosko, 1992] und Fuzzy-Systeme [Zadeh, 1965; Reusch, 1994], werden hier also nicht behandelt.