Sparse Nonlinear DiscriminantsDissertationzur Erlangung des akademischen GradesDoktoringenieur (Dr. -Ing.)von Dipl. -Ing. Edin Andeli´cgeb. am 29. Januar 1977 in Hagengenehmigt durch die Fakult¨at fu¨r Elektrotechnik und Informationstechnikder Otto-von-Guericke-Universit¨at-MagdeburgGutachter: Prof. Dr. Andreas Wendemuth (Universit¨at Magdeburg)Prof. Dr. Heiko Neumann (Universit¨at Ulm)Prof. Dr. Abbas Omar (Universit¨at Magdeburg)Promotionskolloquium am 30. November 2007Dedicated toYvonneZusammenfassungDieseDissertationbesch¨aftigtsichmitTrainingsalgorithmenfu¨rdasmaschinelleLernen und deren Anwendungen fu¨r die Klassifikation, die Regression unddie automatische Spracherkennung. Es wird im Speziellen das u¨berwachteLernen betrachtet, das auch als Lernen aus Beispielen bezeichnet wird.AnhandeinerkurzenEinfu¨hrungindiestatistischeLerntheoriewirdgezeigt,dass sich das u¨berwachte Lernen als ein Funktionssch¨atzungsproblem for-mulieren l¨asst, bei dem sich die Klasse der linearen Funktionen als beson-ders geeignet fu¨r die Generalisierungsf¨ahigkeit der L¨osung erweist. Die Leis-tungsf¨ahigkeit der linearen Funktionen wird zus¨atzlich durch die Anwen-dung sogenannter Kernfunktionen gesteigert, die es in effektiver Weise er-lauben bestimmte Algorithmen in nichtlineare R¨aume zu transformieren.