Schnelles Wachstum gespeicherter Datenmengen in der Informationstechnik f hrte in den vergangenen Jahren zu einem steigenden Interesse an Methoden, die in der Lage sind, n tzliches Wissen automatisch aus gro en Datenbest nden zu filtern. Mit dem Ziel, solche Methoden zu entwickeln, hat sich inzwischen unter Synonymen wie "Data Mining", "Knowledge Discovery in Databases" (KDD) oder "Datenmustererkennung" eine neue Forschungsrichtung etabliert, die bislang isoliert arbeitende Einzeldisziplinen vereinigt. Zu nennen sind die Disziplinen Statistik, Datenbank- und Expertensystemforschung, automatischer Wissenserwerb, Maschinelles Lernen und Fuzzy-Datenanalyse. Die Literatur ber "Data Mining" dokumentiert zahlreiche Versuche, aus verschiedenartigsten Datenbest nden neue Erkenntnisse zu gewinnen. Hierbei werden unterschiedliche Algorithmen des "Data Mining" beschrieben. Ziel hierbei ist es, die Eignung Neuronaler Netze, oft auch als K nstliche Neuronale Netze bezeichnet, als Mining-Algorithmen f r die Mining-Funktionen Clustern und Vorhersage zu untersuchen. Dabei begrenzt sich die Sichtweise auf Backpropagation- und Kohonen-Netze, da diese Neuronalen Netze f r Clustern und Vorhersagen pr destiniert sind.