Recherche von Lern- und Schlussverfahren für Unsicherheit

Das menschliche Wissen ist meist nur unsicher und vage. Es ist aber trotzdem brauchbar. Wir sind imstande, auch mit unsicherem Wissen Schlüsse zu ziehen und Entscheidungen zu treffen. Dem Phänomen der Unsicherheit begegnen manche Menschen sogar täglich in ihrem Beruf. Probabilistische Methoden und Netzwerke bilden eine geeignete Möglichkeit Unsicherheit zu modellieren und unter Einbezug vorhandener Daten die bestmöglichen Entscheidungen zu treffen. Dabei bieten die heutigen Rechnerkapazitäten die Möglichkeit auch komplexe Netzwerke in akzeptabler Zeit zu inferieren. Die Hauptproblematik liegt allerdings darin, dass menschliche Experten kaum im Stande sind komplexe Netze von Hand einzugeben. Diese Aufgabe wird ebenfalls von Computern übernommen und mittlerweile erfolgreich gelöst. Ziel dieses Buches besteht darin, anhand einer aktuellen Recherche die wichtigsten maschinellen Lernverfahren zusammenzutragen und ihre Bedeutung für probabilistische Netzwerke hervorzuheben.

Autorentext

1978 in Teheran (IRAN) geboren, kam Houman Gielky als Sohn eines iranischen Mathematikers Anfang der 90er Jahre nach Deutschland. Schon sehr früh wuchs sein Interesse für wirtschaftliche und naturwissenschaftliche Themen. Er studierte bis 2007 Wirtschaftsinformatik an der Universität Paderborn, und ist heute ein engagierter Entrepreneur.