Viele erfolgreiche E-Learning Systeme basieren auf strengen Annahmen: Das zu vermittelnde Wissen muss strukturiert und standardisiert in Lerninhalte externalisiert sein. Diese wiederum sollten mit Metadaten angereichert sein, um ihre Wiederverwendung zu ermöglichen. Diese strikten Anforderungen verhindern es, für viele Aktivitäten entscheidendes informelles Wissen, also unter anderem Erfahrung und Intuition, zu vermitteln. Wissen, auch wenn es weder standardisiert, strukturiert noch externalisiert wurde, manifestiert sich in Aktivitäten seiner Träger. Wir nennen dieses beobachtbare Wissen Praktiziertes Wissen. In dieser Dissertation wird Machine Teaching eingeführt, ein neuer Ansatz zum E-Learning, der diese Tatsache wie folgt ausnutzt: Aus Beobachtungsdaten werden mit Methoden des maschinellen Lernens Modelle extrahiert, die dann im Kontext des Lerners zu seiner Unterstützung eingesetzt werden. Innerhalb dieses Ansatzes werden zwei wichtige Teilaufgaben eines Machine Teaching Systems identifiziert: Generelles und Detailliertes Feedback. Ziel von Machine Teaching für Generelles Feedback ist es, die Arbeit des Lerners zu bewerten, etwa durch ,,Zensuren''. Dies kann durch aktuelle Verfahren des überwachten maschinellen Lernen geleistet werden. Machine Teaching für Detailliertes Feedback soll den Lerner hingegen mit feingranularen Hinweisen zu seiner Arbeit unterstützen. Wir zeigen, dass ein großer Anteil dieser Aufgabe mittels angepasster Recommender Systems Technologie bearbeitet werden kann. Die Nützlichkeit zukünftiger Machine Teaching Systeme wird vor allem davon abhängen, wie gut es mittels maschineller Lernverfahren möglich ist, das Praktizierte Wissen in Form von Mustern und Strukturen aus den Beobachtungsdaten zu extrahieren. Folglich wird in dieser Dissertation untersucht, ob und in wie weit dies möglich ist. Die erste Evaluation hierzu erfolgt am Beispiel eines Machine Teaching Systems für generelles Feedback. Es wird ein System evaluiert, das Texte automatisch bewertet. Dies geschieht auf Basis vergangener Bewertungen anderer Texte durch eine Internet Community. Aus der Leistung des Systems bei dieser Aufgabe folgt, dass Machine Teaching für generelles Feedback hier erfolgreich eingesetzt werden kann. Um Machine Teaching für detailliertes Feedback zu ermöglichen, stellen wir ein neues Modell für Recommender Systeme vor. Dieses Modell stellt eine Erweiterung des Matrixfaktorisierungsansatzes dar. Neben seiner Ausrichtung auf Machine Teaching ist der Algorithmus der erste, der Reihenfolgevorhersagen für Recommender Systeme ermöglicht. Wir evaluieren ihn in einem Machine Teaching Ansatz für detailliertes Feedback im Bereich Softwareentwicklung. Basierend auf einer Quelltextdatenbank soll dieser auf fehlende Aufrufe hinweisen. Auch hier lassen die empirischen Ergebnisse schliessen, dass Machine Teaching in dieser Domäne anwendbar ist. Machine Teaching stellt also eine machbare Erweiterung des E-Learning dar, dessen Einsatzbreite mit dem Fortschritt des maschinellen Lernens wächst. Es erweitert bisherige Ansätze um beobachtbares und damit eben auch informelles Wissen, das bisher im E-Learning nur schwer vermittelbar ist.