Wie die Welt in den Kopf kommt

2.1.2 Vor- und Nachteile statistischer Netze Das Lernziel eines Babys besteht vorerst darin, die Zusammenhänge der Welt zu
durchschauen. Die Befriedigung seiner Bedürfnisse kann es erst später selbst über -
nehmen.
Jedes Objekt dieser Welt bildet in sich einen Zusammenhang. Seine Bildpunkte und
seine Teile gehören zusammen und treten meist gemeinsam auf. Wir tret enz.B.
immer mit unserem Kopf auf. Bayesianische Netzwerke registrieren solche statisti-
sche Häufungen. So könnten sie eventuell dazu taugen das Figur/Grund-Problem zu
lösen, indem sie Pixelgruppen, die oft gemeinsam auftreten, einer Figur zuordne n,
weil die Pixelgruppen eine ähnliche Entfernung, Bewegung, Farbton und Strukturiert-
heit besitzen, und so eine statistische Häufung darstellen. Der Hintergrund gehört
nicht zu der Häufung.
Abgesehen von räumlichen Zusammenhängen gibt es auch zeitliche. Dinge folgen
wiederholt gleichermaßen aufeinander. Das Baby muss all diese Zusammenhänge
kennenlernen, es muss Folgewirkungen und Tagesabläufe abschätzen l ernen.
Solche Aufgaben sind mit bayesianischer Wahrscheinlichkeits-Prognostik möglich.
Bayessche Netze orientieren sich an der assoziativen Konditionierung. Wenn oft auf
A ein B folgt, dann kann eine Verbindung hergestellt werden, über die i n Zukunft ein
Signal zu B fließen kann. So wird B schon vorausgeahnt (Brandherm 2000). Ohne
solche Vorausahnung wäre kein planendes Handeln vorstellbar.
Es wird also erlernt welche Reize etwas miteinander zu tun haben, und welche nicht.
Dazu müssen alle Reize mit allen anderen eine potentielle Verbindung besitzen, die
dann verstärkt wird oder eben nicht. So könnte ein Hund lernen, dass auf Glocke und
Rotlicht Futter folgt. 15