Der Lehrstuhl für Maschinelles Lernen und Natürlichsprachliche Systeme beschäftigt sich schwerpunktmäßig mit dem induktiven Lernen. Induktion bedeutet, dass aus speziellen Beobachtungen allgemeine Regeln oder Hypothesen abgeleitet werden. Induktives Lernen steht u.a. im Mittelpunkt des Bereiches ?Data Mining? und zielt darauf ab, neues, wertvolles ?Wissen? in großen Datenbanken zu finden. Wenn man etwa Daten über die Symptome einer Krankheit von verschiedenen Patienten besitzt, ist es sicherlich von Interesse, diese auf Allgemeingültigkeit für diese Krankheit hin zu untersuchen. Solche Auswertungen können für Neudiagnosen sehr wertvoll sein. Data-Mining-Systeme können solche Regeln aus Datenbanken heraus erkennen. Sind diese Regeln im Fall der Medizin zum Beispiel  zuvor  nicht bekannt gewesen, so kann damit medizinisches Diagnosewissen erweitert werden. In diesem Fall wird häufig von sog. maschineller Entdeckung (?machine discovery?) gesprochen.

Der Lehrstuhl hat sich auf die Induktive Logische Programmierung (ILP) spezialisiert, dem Induktiven Lernen in Formalismen der Logik. Das bedeutet, dass in der Darstellung von Lernbeispielen und Hypothesen komplexe strukturelle Eigenschaften verwendet werden  können. Außerdem kann Wissen in das Lernen einfließen und die gelernten Theorien sind für Fachleute auf den jeweiligen Gebieten leicht interpretierbar.

Viele Anwendungsgebiete können in ihrer Suche nach Lösungen von der Herangehensweise des Induktiven Lernens profitieren. Ein klassisches Beispiel dafür ist die Pharmazie, in der ein Großteil der Forschung und Entwicklung auf Synthese und Test von Hunderten von Komponenten basiert, die mehr oder weniger zufällig ausgewählt werden. Durch ILP-Methoden konnten Regelmäßigkeiten gefunden werden, die bestimmten chemischen Strukturen eine spezifische Wirkung zuordnen.  Diese wurden von Experten als neue wissenschaftliche Entdeckungen auf ihrem Gebiet anerkannt.