Lehrstuhl Mathematik & InformatikAlgorithmisches Lernen auf der Basis empirischer Daten
Abstract.
Es ist eine grundlegende Fähigkeit, empirische Erfahrungen in
Hypothesen über die Wirklichkeit zu transformieren. Die
resultierende Hypothese, gleichgültig ob sie bewußt oder
unbewußt vorliegt, repräsentiert das in den Daten angereicherte
Wissen in einer kompakteren und verallgemeinerten Form. Der andauernde
Prozeß, Hypothesen und empirische Erfahrungen in Einklang zu
bringen, ist eine Form des Lernens. Während das menschliche Lernen
uns scheinbar mühelos befähigt, sprachliche oder visuelle
Begriffe zu erwerben und komplexe motorische Aktionen ausfzuführen,
widersteht es dennoch weitgehend allen Versuchen, es in eine
algorithmische Form zu bringen und auf Maschinen zu übertragen.
Wir wollen in unserem Beitrag ein Lernmodell (das von L. Valiant 1984
entwickelte 'pac-learning') vorstellen und auf neuere Arbeiten am
Fachbereich Informatik der Universität Dortmund eingehen. Im Rahmen
dieses Modelles werden Begriffe wie 'effiziente und erfolgreiche
Lernalgorithmen' in einer präzisen Weise gebraucht. Es wird dadurch
möglich, mit Methoden der Statistik konkrete Aussagen über die
erforderliche Größe empirischer Datenbestände zu machen, um
zu zuverlässigen Hypothesen zu gelangen. Wir werden die
grundsätzliche Vorgehensweise auf das Lernen mit neuronalen Netzen
übertragen und an konkreten Netzarchitekturen veranschaulichen.