Nachdem nun klar ist, wie in dem einfachen Modellsystem vier Inputwerte in zwei Outputwerte transformiert werden können, stellt sich jetzt die Frage, wie dieses einfache System lernen kann, und weiter, was denn mit 'Lernen' gemeint ist.
Im begleitenden Text General Behavior Based Computational Learning Theory (GBBCLT) (siehe: http://www.uffmm.org/gbbclt
) wurden als Rahmenbedingungen für lernende Systeme herausgearbeitet, daß diese mindestens die folgenden Eigenschaften besitzen müssen:
Minimal conditions for a learning system:
Eine Optimierung kann aber nur möglich sein, wenn es irgendeine Art von Optimalitätskriterium gibt, das anzeigt, daß sich das System einem bestimmten Optimum nähert oder nicht. In GBBCLT heißt es: ``When a system perceives some property as and encodes this property as some structural change it must (i) be able at least to reactivate if the property again occurs and (ii) it must be able to use the encoded property in connection with the activity of responding to the environment. Furthermore (iii) should such an encoded property being able to be associated with some internal state of being good. Such an associated goodness could serve as an actual and local criterium of optimality.''
Im folgenden wird nun, ohne dass die vorstehend genannten allgemeinen Forderungen schon als hinreichend beantwortet gelten können, zunächst ein bekanntes -vergleichbar einfaches- Beispiel von Strukturveränderungen im Kontext von neuronalen Netzten untersucht, um zu überprüfen, ob und wieweit dieses Beispiel schon als Lernen bezeichnet werden könnte.