Ein effizienter Lernprozess nutzt bereits vorhandenes Wissen, um neue Probleme anzugehen. Für ein maschinelles Lernverfahren bedeutet dies, die Ähnlichkeiten zwischen Datensätzen zu verstehen. Um dies zu erreichen, muss man den Gedanken ernst nehmen, mit Datensätzen und nicht mit einzelnen Datenpunkten als zentrale Objekte zu arbeiten. Im Hinblick auf dieses Ziel demonstrieren wir eine Erweiterung des variationellen Autoencoders (VAE), die es ermöglicht, in einem unüberwachten Modus Darstellungen oder Statistiken von Datensätzen zu lernen. Das Netzwerk wird trainiert, Statistiken zu erzeugen, die ein generatives Modell für jeden Datensatz kapseln. Daher ermöglicht das Netzwerk sowohl für überwachte als auch für unüberwachte Aufgaben ein effizientes Lernen aus neuen Datensätzen. Wir zeigen, dass wir Statistiken lernen können, die für folgende Anwendungen genutzt werden können: Clustering von Datensätzen, Transfer von generativen Modellen auf neue Datensätze, Auswahl repräsentativer Stichproben von Datensätzen und Klassifikation bisher unbekannter Klassen. Unser Modell bezeichnen wir als Neuralen Statistiker (Neural Statistician), wobei wir damit einen neuronalen Netzwerk meinen, das ohne Überwachung lernen kann, zusammenfassende Statistiken von Datensätzen zu berechnen.