Advertisement

Maschinelles Lernen: Theoretische Ansätze und Anwendungsaspekte

  • Dieter Fensel
  • Gholamreza Nakhaeizadeh
Conference paper
Part of the Informatik aktuell book series (INFORMAT)

Abstract

In 21 Beiträgen werden verschiedene Aspekte des maschinellen Lernens behandelt. Erstmals wird der Ansatz der formalen Begriffsanalyse im Kontext des maschinellen Lernen diskutiert um so die Bestimmung von Gemeinsamkeiten und Unterschieden zu ermöglichen. Ein weiterer wichtiger thematischer Schwerpunkt des Workshops besteht aus der Diskussion von Anwendungen von maschinellen Lernverfahren. In acht Beiträgen werden Anwendungen im Bereich der Halbleiterproduktion, des Umweltschutzes, der Modellierung komplexer dynamischer technischer Systeme, der Wissensgewinnung zum Bau wissensbasierter Diagnose- und Planungssysteme und den Kognitionswissenschaften dokumentiert. Die Weiterentwicklung bestehender Techniken des maschinellen Lernens bzw. die Neuentwicklung von Techniken werden u.a. für die Bereiche induktives logisches Programmieren, dem Lernen von Klassifikatoren (z.B. für Zeitreihen) und für fallbasierte Ansätze diskutiert. In seiner Gesamtheit erlaubt der Workshop einen breiten Überblick über die Aktivitäten im Bereich des maschinellen Lernen.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. [GWW87]
    B. Ganter, R. Wille und K. E. Wolff (Hrsg.): Beiträge zur Begriffsanalyse, B.I.Wissenschaftsverlag, Mannheim, 1987.zbMATHGoogle Scholar
  2. [FKN93]
    D. Fensel, J. Klein und U. Neubronner: RT: A System for Learning From Example. In Proceedings of the 13th International Conference AI, Expert Systems, Natural Language (Avignon 93), Avignon, May 24–28, 1993.Google Scholar
  3. [HuN93]
    K-P. Huber und G. Nakhaeizadeh: Maschinelle Lernverfahren als Unterstützung beim Wissenserwerb von Diagnose-Expertensystemen. In Proceedings der 2. Deutsche Tagung Expertensysteme (XPS-93), Hamburg, 17.-19. Februar 1993, Frank Puppe et al. (Hrsg.), Expertensysteme 93, Informatik aktuell, Springer-Verlag, Berlin, 1993.Google Scholar
  4. [KiW92]
    J.-U. Kietz und S. Wrobel: Controlling the Complexity of Learning in Logic Through Syntactical and Task-oriented Models. In S. Muggleton (Hrsg.), Inductive Logic Programming, Academic Press, London, 1992.Google Scholar
  5. [KSU92]
    Y. Kodratoff, D. Sleeman, M. Uszynski, K. Causse, S. Craw: Knowledge Acquisition Through Machine Learning (MLT). In L. Steels et al. (Hrsg.), Enhancing the Knowledge Engineering Process, Contributions from ESPRIT, North-Holland, Amsterdam, 1992.Google Scholar
  6. [MMH86]
    R. S. Michalski, I. Mozetic, J. Hong und N. Lavrac: The Multi-Purpose Incremental Learning System AQ15 and its Testing Application to Three MedicalDomains. In Proceedings of the 5th National Conference on Al (AAAI-86), Philadelphia, PA, August 11–15, 1986.Google Scholar
  7. [Mit81]
    T.M. Mitchell: Generalization as Search. In B. Webber et al. (Hrsg.), Readings in Artificial Intelligence, Tioga Publishinh Co., Palo Alto, 1981.Google Scholar
  8. [Mor93]
    K. Morik: Maschinelles Lernen. In Günther Görz (Hrsg.), Einführung in die künstliche Intelligenz, Addison-Wesley, Bonn, 1993.Google Scholar
  9. [MWK93]
    K Morik, S. Wrobel, J.-U. Kietz und W. Emde: Knowledge Acquisition and Machine Learning - Theory, Methods, and Applications, Academic Press, London, 1993.Google Scholar
  10. [Mug92]
    S, Muggleton (Hrsg.): Inductive Logic Programming, Academic Press, London, 1992.Google Scholar
  11. [Mug93]
    S. Muggleton: Inductive Logic Programming. Derivations, Successes and Shortcomins. In Proceedings of the European Conference on Machine Learning (ECML-93), Vienna, Austria, April 5–7, 1993, Lecture Notes in Artificial Intelligence, no 667, Springer-Verlag, Berlin, 1993.Google Scholar
  12. [PSF91]
    G. Piatetsky-Shapiro und W. J. Frawley: Knowledge Discovery in Databases, AAAI Press/The MIT Press, Menlo Park, California, 1991.Google Scholar
  13. [Pup93]
    F. Puppe: Systematic Introduction to Expert Systems: Knowledge Representation and Problem-Solving Methods, Springer-Verlag, Berlin, 1993.zbMATHGoogle Scholar
  14. [Qui84]
    J.R. Quinlan: Learning Efficient Classification Procedures and their Application to Chess End Games. In R.S. Michalski et al. (Hrsg.), Machine Learning. An Artificial Intelligence Approach, vol 1, Springer-Verlag, Berlin, 1984.Google Scholar
  15. [QuC93]
    J.R. Quinlan und R. M. Cameron-Jones: FOIL: A Midterm Report. In Proceedings of the European Conference on Machine Learning (ECML-93), Vienna, Austria, April 5–7, 1993, Lecture Notes in Artificial Intelligence, no 667, Springer-Verlag, Berlin, 1993.Google Scholar
  16. [ShD90]
    J. W. Shavlik und T. G. Dietterich (Hrsg.): Readings in Machine Learning, Morgan Kaufmann Publisher, San Mateo, California, 1990.Google Scholar
  17. [Sum77]
    P. D. Summer: A Methodology for LISP Program Construction from Examples. In Journal of the Association for Computing Machinery, vol 24, no 1, January 1977.Google Scholar
  18. [Yag92]
    R. R. Yager (Hrsg.): Special Issue Knowledge Discovery in Data-and Knowledge Bases, International Journal of Intelligent Systems, vol 7, no 7, September 1992.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1993

Authors and Affiliations

  • Dieter Fensel
    • 1
  • Gholamreza Nakhaeizadeh
    • 2
  1. 1.Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB)Universität KarlsruheKarlsruheDeutschland
  2. 2.Forschung und Technik Ulm, F2-DDaimler-Benz-AGUlmDeutschland

Personalised recommendations