Skip to main content
SpringerLink
Log in

Lernen im geschlossenen Kreislauf

  • Conference paper
Wissensbasierte Systeme

Part of the book series: Informatik-Fachberichte ((INFORMATIK,volume 227))

Zusammenfassung

Die Forschungsanstrengungen auf dem Gebiet des Maschinellen Lernens gelten dem Studium von Lernprozessen und der Implementierung von Lernverfahren auf Computeranlagen. Ähnlich wie bei den anderen Forschungsrichtungen im Bereich der Künstlichen Intelligenz (KI) liegt die Motivation zum einen darin, Lernfähigkeit als eine Ausprägung von menschlicher Intelligenz zu studieren, zu modellieren und zu simulieren. Zum anderen soll die Konstruktion und Wartung wissensbasierter Computersysteme durch maschinelles Lernen (unabhängig von einer wie auch immer gearteten kognitiven Adäquatheit der verwendeten Verfahren) unterstützt und automatisiert werden.

Diese Arbeit entstand im Rahmen des LILOG-Projektes der IBM Deutschland GmbH an der Universität Osnabrück

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 44.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 59.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. J.R. Anderson: “Acquisition of Proof Skills in Geomentry”; In Machine Learning: An Artificial Intelligence Approach, R.S. Michalski, J.G. Carbonell, T.M. Mitchell (Hrsg.), Tioga, Palo Alto, Kalifornien, 1983, S. 191–219

    Google Scholar 

  2. P. Brazdil, P. Clark: “Learning from Imperfect Data”; In Proceedings of the Workshop on Machine Learning, Meta reasoning and Logics (Sesimbra, Portugal ), P. Brazdil (Hrsg.), 1988, S. 27–36

    Google Scholar 

  3. B. Cestnik, I. Kononenko, I. Bratko: “ASSISTANT 86: A Knowledge Elicitation Tool for Sophisticated Users”; In Progress in Machine Learning, I. Bratko, N. Lavrac (Hrsg.), Sigma Press, Wilmslow, England, 1987, S. 31–45

    Google Scholar 

  4. P. Clark, T. Niblett: “Induction in Noisy Domains”; In Progress in Machine Learning, I. Bratko, N. Lavrac (Hrsg.), Sigma Press, Wilmslow, England, 1987, 11–30

    Google Scholar 

  5. W. Emde: „Inkrementelles Lernen mit heuristisch generierten Modellen“; KIT-Report 22, Fach-bereich Informatik, Technische Universität Berlin, 1984

    Google Scholar 

  6. W. Emde: „Non-Cumulative Learning in METAXA.3“; KIT-Report 56, Fachbereich Informatik, Technische Universität, Berlin, 1987, eine Kurzfassung ist erschienen in: Proc. 10th IJCAI-87, Milan, Italy, 1987, S. 208–210

    Google Scholar 

  7. Emde 89] W. Emde: „Konstruktive nicht-konservative Wissensrevision im Maschinellen Lernen“;, in Vor-bereitung

    Google Scholar 

  8. W. Emde, K. Morik: “Consultation Independent Learning”; In Machine and Human Learning - Advances in European Research, Y.KodratofF, A. Hutchinson (Hrsg.), Michael Hor- wood, East Wittering, England, 1989, S. 93–104

    Google Scholar 

  9. W. Emde, C.-R. Rollinger: „Wissensrepräsentation und Maschinelles Lernen“; In Wisstusrepräsentation in Expertensystemen, G. Rahmsdorf (Hrsg.), Springer, Berlin, 1988 S. 172–189

    Google Scholar 

  10. W. Emde, I. Keller, J.U. Kietz, K. Morik, S. Thieme, S. Wrobel: „Wissenserwerb und Maschinelles Lernen - Abschlußbericht des KIT-LERNER Projektes“; KIT-Report 71, Fachbereich Informatik, Technische Universität Berlin, 1989

    Google Scholar 

  11. N.S. Flann, T.G. Dietterich: “Selecting Appropriate Representations for Learning from Examples”; In Proc. AAAI-86, 1986, S. 460–466

    Google Scholar 

  12. M. Gams, N. Lavrac: “Review of Five Empirical Learning Systems Within a Proposed Schemata”; In Progress in Machine Learning, I. Bratko, N. Lavrac (Hrsg.), Sigma Press, Wilmslow, England, 1987, S. 46–66

    Google Scholar 

  13. R. Holte: “Alternative Information Structures in Incremental Learning Systems”; In Machine and Human Learning - Advances in European Research, Y.Kodratoff, A. Hutchinson (Hrsg.), Michael Horwood, East Wittering, England, 1989, S. 121–142

    Google Scholar 

  14. Y. Kodratoff, G. Tecuci: “The Central Role of Explanations in DISCIPLE”; In Knowledge Representation and Organization in Machine Learning, K. Morik (Hrsg.), Lecture Notes in Artificial Intelligence 347, Springer, Berlin, 1989, S. 135–147

    Chapter  Google Scholar 

  15. Y. Kodratoff, J.G. Ganascia, T. Bollinger: “Using Structural Matching for Generalizing Examples”; In GWAI-84, 8th German Workshop on Artificial Intelligence, J. Laubsch (Hrsg.), Informatik Fachberichte 103, Springer, Berlin, 1985, S. 199–208

    Google Scholar 

  16. J.E. Laird, P.S. Rosenbloom, A. Newell: “Chunking in SOAR: The Anatomy of a General Learning Mechanism”; Machine Learning, 1, 1986, S. 11–46

    Google Scholar 

  17. M. Lebowitz: “UNIMEM, A General Learning System: An Overview”; In Advances in Artificial Intelligence II (7th ECAI-86, Brighton, England, 1986), B. Boulay, D. Hogg, L. Steels (Hrsg.), Elsevier Pub. ( North Holland ), Amsterdam, 1987, S. 25–35

    Google Scholar 

  18. Lenat 82] D.B. Lenat: “AM: Discovery in Mathematics as Heuristic Search”; In Knowledge Based Systems in Artificial Intelligence, R. Davis, D.G. Lenat (Hrsg.), McGraw Hill, New York, 1982

    Google Scholar 

  19. R.S. Michalski, R.L. Chilausky: “Learning by Being Told and Learning from Examples: An Experimental Comparison of the Two Methods of Knowledge Acquisition in the Context of Developing an Expert System for Soybean Disease Diagnosis” Policy Analysis and Information Systems, Vol. 4, No. 2, 1980

    MathSciNet  Google Scholar 

  20. T.M. Mitchell, S. Mahadevan, L.I. Steinberg: “A Learning Apprentice for VLSI Design” In Proc. 9th IJCAI-85, Morgan Kaufmann, Los Altos, Kalifornien, 1985, S. 573–580

    Google Scholar 

  21. K. Morik: “Sloppy Modeling” In Knowledge Representation and Organization in Machine Learning, K. Morik (Hrsg.), Lecture Notes in Artificial Intelligence 347, Springer, Berlin, 1989, S. 107 - 134

    Google Scholar 

  22. J.R. Quinlan: “Induction of Decicion Trees” Machine Learning, 1, 1986, S. 81–106

    Google Scholar 

  23. R.E. Reinke, R.S. Michalski: “Incremental Learning of Concept Descriptions: A Method and Experimental Results”; In Machine Intelligence XI, D. Michie (Hrsg.), 1986

    Google Scholar 

  24. D. Rose: „Discovery and Belief Revision via Incremental Hill Climbing“ In Proceedings of the Workshop on Machine Learning, Meta reasoning and Logics (Sesimbra, Portugal ), P. Brazdil (Hrsg.), 1988, S. 129–145

    Google Scholar 

  25. D. Rose, P. Langley: “Chemical Discovery as Belief Revision” Machine Learning, Volume 1, 1986, S. 423–451

    Google Scholar 

  26. C. Sammut: “Concept Learning by Experiment” In Proc. 7th IJCAI-79, Vancouver, 1979, S. 104–105

    Google Scholar 

  27. C. Sammut: “Logic Programs as a Basis for Machine Learning”; In Proceedings of the Work-shop on Machine Learning, Meta reasoning and Logics (Sesimbra, Portugal ), P. Brazdil (Hrsg.), 1988, S. 183–193

    Google Scholar 

  28. „Learning Concepts by Asking Questions“; In Machine Learning - An Artificial Intelligence Approach Volume II, R.S. Michalski, J.G. Carbonell, T.M. Mitchell (Hrsg.), Morgan Kaufmann, Los Altos, Kalifornien, 1986, S. 167–191

    Google Scholar 

  29. J.C. Schlimmer: “Incremental Adjustment of representations in Learning”; In Proc. Fourth International Workshop on Machine Learning, P. Langley (Hrsg.), Morgan Kaufmann, Los Altos, Kalifornien, 1987, S. 79–90

    Google Scholar 

  30. R.E. Stepp, R.S. Michalski: “Conceptual Clustering: Inventing Goal-Oriented Classifications of Structured Objects”; In Machine Learning - An Artificial Intelligence Approach Volume II, R.S. Michalski, J.G. Carbonell, T.M. Mitchell (Hrsg.), Morgan Kaufmann, Los Altos, Kalifornien, 1986, S. 471–498

    Google Scholar 

  31. S. Wrobel: “Demand-Driven Concept Formation”; In Knowledge Representation and Organization in Machine Learning, K. Morik (Hrsg.), Lecture Notes in Artificial Intelligence 347, Springer, Berlin, 1989, S. 292–319

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Fachbereich Sprache, Literatur, Medien Projekt LILOG-OS, Universität Osnabrück, Postfach 4469, 4500, Osnabrück, Deutschland

    Werner Emde

Authors
  1. Werner Emde
    View author publications

    You can also search for this author in PubMed Google Scholar

Editor information

Editors and Affiliations

  1. Institut für Informatik, Technische Universität München, Postfach 202420, D-8000, München 2, Germany

    W. Brauer  & C. Freksa  & 

Rights and permissions

Reprints and permissions

Copyright information

© 1989 Springer-Verlag Berlin Heidelberg

About this paper

Cite this paper

Emde, W. (1989). Lernen im geschlossenen Kreislauf. In: Brauer, W., Freksa, C. (eds) Wissensbasierte Systeme. Informatik-Fachberichte, vol 227. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-75182-0_8

Download citation

  • DOI: https://doi.org/10.1007/978-3-642-75182-0_8

  • Publisher Name: Springer, Berlin, Heidelberg

  • Print ISBN: 978-3-540-51838-9

  • Online ISBN: 978-3-642-75182-0

  • eBook Packages: Springer Book Archive

Publish with us

Policies and ethics

Search

Navigation