Selbsteinschätzende Lernverfahren

Es ist heutzutage unbestritten, daß Computer gewisse Intelligenzleistungen des Menschen übernehmen können. Ein Beispiel hierfür ist die Fähigkeit, sich wechselnden Bedingungen anzupassen. Betrachtet man jedoch die existierenden Algorithmen hierzu, so ist von Intelligenz bzw. dem, was menschliches Denken ausmacht, nicht viel zu sehen. Nun wäre dies nicht weiter schlimm, beispielsweise funktionieren Flugzeuge auch völlig anders als Vögel und sind, abgesehen vom Landen auf Bäumen, diesen weit überlegen. Leider befinden wir uns jedoch, bildlich gesprochen, auf dem Gebiet des Maschinellen Lernens noch in den Zeiten der Lilienthals. Die beim Menschen so wichtige Fähigkeit zur Introspektion wird nahezu ignoriert. Der Autor kombiniert nun eine Facette davon, nämlich die Fähigkeit zur Selbsteinschätzung, mit dem Maschinellen Lernen. In der vorliegenden Dissertation werden prinzipielle Möglichkeiten und Grenzen selbsteinschätzender Lernverfahren ausgelotet. Hierzu werden typische Verhaltensmuster, wie optimistisches und pessimistisches Vorgehen, formalisiert und analysiert. Diese Untersuchungen erfolgen im Rahmen der Theorie der Induktiven Inferenz. Außerdem wird exemplarisch ein selbsteinschätzender Algorithmus zum inkrementellen Lernen von Entscheidungsbäumen vorgestellt.