Eigenschaften: *[ [„künstliche“ Generierung von Wissen aus Erfahrung] [„erkennt“ Gesetzmäßigkeiten in den Lerndaten] [System kann auch unbekannte Daten beurteilen] [symbolisches System: Wissen explizit repräsentiert] [subsymbolisches System: Wissen implizit repräsentiert, Regeln nicht explizit formuliert/formulierbar] ]* Algorithmische Ansätze: *[ [Überwachtes Lernen: korrekte Funktionswert steht in der Lernphase bereit] [Unüberwachtes Lernen: erzeugt für eine gegebene Menge von Eingaben ein Modell, das die Eingaben beschreibt und Vorhersagen ermöglicht] [Bestärkendes Lernen: der Algorithmus lernt durch Verstärkung eine Taktik, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Agenten zu maximieren.] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :

Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist großen Datenbeständen. In Abgrenzung zum Data Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate. Die Teilschritte des KDD-Prozesses sind *[ [Bereitstellung von Hintergrundwissen für den jeweiligen Fachbereich] [Definition der Ziele der Wissensfindung] [Datenauswahl] [Datenbereinigung] [Datenreduktion (z. B. durch Transformationen)] [Auswahl eines Modells, in dem das gefundene Wissen repräsentiert werden soll] [Data-Mining, die eigentliche Datenanalyse] [Interpretation der gewonnenen Erkenntnisse] ]*

DSS; IWRM; Datenanalyse; Maschinelles Lernen; Wissen!generieren;

{} '' () :