Begriffs- und Regellernen

Die Lernaufgabe Begriffslernen der induktiven logischen Programmierung:

Gegeben: positive und negative Beispiele E in einer Sprache LE, Hintergrundwissen B in einer Sprache LB, wobei B und E konsistent sind, aber E nicht logisch aus B folgt (sonst wäre nichts mehr zu lernen).
Ziel: eine Hypothese H in einer Sprache LH, so daß folgendes gilt:
B, E und H sind konsistent, aus B und H folgen logisch alle positiven Beispiele (Vollständigkeit), aber kein negatives Beispiel kann aus B und H gefolgert werden (Korrektheit).

Beim Begriffslernen werden dem Verfahren also positive und negative Beispiele für bestimmte, damit implizit gegebene Regeln vorgegeben.

Die Lernaufgabe Regellernen (auch Wissensentdeckung) der induktiven logischen Programmierung:

Gegeben: Beobachtungen E in einer Sprache LE und Hintergrundwissen in einer Sprache LB
Ziel: Eine Menge von Hypothesen H in einer Sprache LH, so dass gilt: das minimale Modell von B und E ist eine Teilmenge des Modells von H (Gültigkeit), es gibt zu jeder Hypothese aus H mindestens eine Beobachtung aus E, die nur mit Hilfe von h gefolgert werden kann (Notwendigkeit), alle Hypothesen aus der Hypothesensprache, die gültig und notwendig sind, können aus H gefolgert werden (Vollständigkeit), es gibt keine echte Teilmenge G in H, die gültig und vollständig ist (Minimalität).

Beim Regellernen  wird also grundsätzlich nach allen gültigen Regeln gesucht, die Abhängigkeiten in den Beobachtungen beschreiben. Die Wissensentdeckung ist wegen der starken Vollständigkeitsbedingung schwieriger als das Begriffslernen.
Es werden keine neuen Begriffe eingeführt wie beim Begriffslernen.

Für ein Beispiel zur Unterscheidung zwischen Regel- und Begriffslernen siehe ML-Skript, S.47/48.

...under construction...