Zusammenfassung
Das Gebiet Machine Learning (ML), im Deutschen häufig als Maschinelles Lernen bezeichnet, ist eine Teildisziplin der Künstlichen Intelligenz, die sich in letzter Zeit in heftiger Entwicklung befindet. Diese starke Entwicklung zeigt sich sowohl in einer gestiegenen Anzahl von Veröffentlichungen als auch daran, daß spezielle Tagungen zu diesem Thema in steigendem Maße abgehalten werden /1/. Dieses gesteigerte Interesse am Gebiet des Maschinellen Lernes und der Wissensaquisition /2/ basiert insbesondere auf Anregungen und Anforderungen aus der Praxis, da sich in den letzten Jahren (vor allem auf dem Gebiet der Expertensysteme) herausgestellt hat, daß neben den Problemen, die noch immer in der Verarbeitung großer Wissensbestände bestehen, das Hauptproblem (Feigenbaum 1980) darin liegt, überhaupt erst das Wissen eines Systems über einen Anwendungsbereich aufzubauen. Daher erscheint es notwendig zu sein, die Prozesse der Modellbildung bei der Entwicklung von Expertensystemen und anderen wissensbasierten Systemen durch „lernende Systeme” der Künstlichen Intelligenz zu unterstützen. Somit ist ein Ziel des Gebietes “Maschinelles Lernen und Wissensaquisition“ schon genannt, nämlich beim Aufbau intelligenter Systeme zu helfen.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Borger, R./Seaborne, A. ( 1982, 2nd ed.): The Psychology of Learning. Penguin Books: Harmondsworth, Middlesex.
Brachman, R. (1979): “On the epistemological status of semantic networks”, in: N. Findler (ed.): Associative Networks, Academic Press: New York.
Carbonell, J./Michalski, R./Mitchell, T. (1983): “Machine Learning: A historical and methodological analysis”. AI Magazine 4.
Carey, S. (1978): “The child as word learner”, in Halle, M./Bresnan, J. Miller, G.A. (eds.): Linguistic Theory and Psychological Reality. MIT-Press, Cambridge, Mass.
Chase, W./Simon, H. (1973): “The mind’s eye in chess” in: W. Chase (ed.): Visual Information Processing. Academic Press: New York.
Cohen, P./Feigenbaum, E. (eds.) (1982): The Handbook of Artificial Intelligence, Vol. 3. Kaufman: Los Altos, Cal.
Dietterich, T. G., Michalski, R. S. (1979): “Learning and Generalisation of Charakteristic Descriptions: Evaluation Criteria and Comparative Review of Selected Methods”, Sixth International Joint Conference on Artifial Intelligence, Tokyo, Japan, pp. 223–231, 1979.
Dietterich, T./Michalski, R. (1981): “Inductive learning of structural descriptions”. Artificial Intelligence 16.
Dietterich, T./Michalski, R. (1983): “A comparative review of selected methods for learning from examples”, in: Michalski, R./Carbonell, J./Mitchell, T. (eds.): Machine Learning: An Artificial Intelligence Approach. Tioga Pub.: Palo Alto
Doyle, J. (1979): “A truth maintenance system” Artificial Intelligence 12.
Emde, W. (1984): Das Konzept der Stützmenge als Basis des maschinellen Lernens. Diplomarbeit, Faclfcereich Informatik, TU Berlin.
Emde, W./Habel, Ch./Rollinger, C.-R. (1983): “The discovery of the equator or concept driven learning” in: Proc. 8 IJCAI.
Feigenbaum, E. (1980): “Expert Systems: Looking Back and Looking Ahead”. R. Wilhelm (Hrsg.): Gl - 10. Jahrestagung. Springer: Berlin.
Fillmore, C.J. (1968): “The case for case ”. in: E. Bach/R. Harms (eds.): Universals in linguistic theory. Holt, Rinehart & Winston: New York.
Habel, Ch. (1984): “SRL und Textverstehen”, in: C.-R. Rollinger (Hrsg.): Probleme des (Text-) Verstehens. Niemeyer: Tübingen.
Hayes, P. (1979): “The Naive Physics Manifesto”. D. Michie (ed.): Expert Systems in the Microelectronic Age. Edinburgh University Press. Edinburgh.
Hayes-Roth, F. (1976): “Patterns of Induction and Associated Knowledge Acquisition Algorithms”, in: Pattern Recognition and Artificial Intelligence, Chen, C. (ed.), Academic Press, New York.
Kintsch, W. (1977): Memory and Cognition. Wiley: New York.
Kuhn, T. S. (1973): “Die Struktur wissenschaftlicher Revolutionen”, Suhrkamp Taschenbuch Verlag, Frankfurt a.M., 5. Auflage 1981.
v. Kutschera, F. (1972): Wissenschaftstheorie. W. Fink: München.
Lehrer, K. (1981)s “A self profile”. Bogdan, R. (ed.): Keith Lehrer. D. Reidel: Dordrecht.
McCarthy, J./Hayes, P. (1969): “Some philosophical problems from the standpoint of Artificial Intelligence”, in: Meitzer, B./Michie, D. (eds.): Machine Intelligence 4, Edinburgh University Press.
Michalski, R. S. (1983): “Unifying Principles and a Methodology for Inductive Learning”, Artificial Intelligence Vol. 20, pp. 111–161, 1983.
Michalski, R. (ed.) (1983): Proceedings of the International Machine Learning Workshop. Univ. of Illinois, Urbana-Champaign.
Michalski, R./Carbonell, J./Mitchell, T. (eds.) (1983): Machine Learning: An Artificial Intelligence Approach. Tioga Pub.: Palo Alto
Miller, G. (1978): “Semantic relations among words”, in: Halle, M./Bresnan, J./Miller, G. (eds.): Linguistic theory and psychological reality. Cambridge, Mass..
Mitchell, T. M. (1978): “Version Spaces: An Approach to Concept Learning”, Ph.D. dissertation, Stanford University, 1978.
Mitchell, T. (1982): “Generalization as search”. Artificial Intelligence 18.
Mitchell, T. (1983): “Learning and problem solving”. 8th IJCAI (Karlsruhe).
Mitchell, T. M., Utgoff, P. E. Banerij, R. B. (1983): Learning by Experimentation: Acquiring and Refining Problem-Solving Heuristics”, in: Machine Learning, Mitchalski, R.S., Carbonell, J. G. Mitchell, T. M. ( eds. ), Tioga, 1983.
Nilsson, N. J. (1981): “Principles of Artificial Intelligence”. Springer: Berlin.
Rich, E. (1983): Artificial Intelligence. McGraw Hills New York.
Samuel, A. L. (1963): “Some Studies in Machine Learning Using the Game of Checkers”, in: Computers and Thought, Feigenbaum, E. A. and Feldman, J. (eds.), McGraw- Hill, New York, pp. 71–105, 1963.
Simon, H. A. (1983): “Why Should Machines Learn?”, in: Machine Learning, Michalski, R. S., Carbonell, J. G., Mitchell, T. M. (eds.), Tioga, 1983.
Stegmüller, W. (1973): Probleme und Resultate der Wissenschaftstheorie und Analytischen Philosophie: Band I V. Personelle und statistische Wahrscheinlichkeit. Carnap Iis Normative Theorie des induktiven Räsonierens. Springer: Berlin
Winston, P. H. (1970): Learning Structural Descriptions from Examples. PhD. Dissertation, MIT.
Winston, P. H. (1975): “Learning Structural Descriptions from Examples”, in: The Psychology of Computer Vision, Winston, P.H. (ed.), McCraw Hill, New York, ch. 5, 1975.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 1985 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Habel, C., Rollinger, CR. (1985). Lernen und Wissensakquisition. In: Habel, C. (eds) Künstliche Intelligenz. Informatik-Fachberichte, vol 93. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-70283-9_6
Download citation
DOI: https://doi.org/10.1007/978-3-642-70283-9_6
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-15190-6
Online ISBN: 978-3-642-70283-9
eBook Packages: Springer Book Archive