Schlußbemerkungen

Zusammenfassung

Die vorliegende Arbeit behandelt Probleme der Modellbildung durch induktiv lernende Systeme. Es wurden Betrachtungen angestellt, die weit über das hinausgehen, was bisher im Maschinellen Lernen untersucht wurde. So wurden die Vorteile und Probleme des inkrementellen Lernens im geschlossenen Kreislauf untersucht. Es wurden Überlegungen zum Thema Wissensrepräsentation im Maschinellen Lernen angestellt und darauf aufbauend wurde ein Wissensrepräsentationssystem vorgestellt, das auf bestimmte Anforderungen zugeschnitten ist, die sich beim induktiven Lernen ergeben können - womit hoffentlich ein kleiner Beitrag zur Überwindung des Stiefkinddaseins des Themas „Wissensrepräsentation im Maschinellen Lernen“ geliefert wurde. Mit der Diskussion konfirmativer Strategien zur Hypothesengenerierung und Hypothesenüberprüfung wurde versucht, Erkenntnisse aus der (Wissenschafts-)Psychologie im Maschinellen Lernen zu nutzen. Die Betrachtung wissenschaftstheoretischer Untersuchung führte zum Ergebnis, daß sich viele Probleme wissenschaftlicher Theoriebildung auch bei der maschinellen Bildung von Modellen wiederfinden. Nicht zuletzt aus diesem Ergebnis wurde die Notwendigkeit nicht-konservativer Revisionsverfahren für maschinell lernende Systeme abgeleitet und ein erster Ansatz zur konstruktiven nicht-konservativen Wissensrevision in maschinell lernenden Systemen entwickelt.