background image

2.3

Τεχνικές Βαθιάς Μηχανικής Μάθησης και Αναγνώρισης Αντι‐

κειμένων

2.3.1

Εισαγωγή στη Τεχνητή Νοημοσύνη

Ένας από τους συνεχώς αναπτυσσόμενους κλάδους της επιστήμης της πληροφο-

ρικής, με τεράστιο ερευνητικό και πρακτικό ενδιαφέρον τα τελευταία χρόνια, απο-

τελεί αυτός της Τεχνητής νοημοσύνης. Διακρίνεται σε δύο υποκατηγορίες: την συμ-

βολική και την υποσυμβολική τεχνητή νοημοσύνη. Η συμβολική κατηγορία επιδιώκει

να επιλύσει προβλήματα τεχνητής νοημοσύνης χρησιμοποιώντας αλγοριθμικές δια-

δικασίες, δηλαδή σύμβολα και λογικούς κανόνες, ενώ η υποσυμβολική κατηγορία

προσπαθεί να αναπαράγει την ανθρώπινη “ευφυΐα” μέσω αριθμητικών μοντέλων

που προσπαθούν να προσομοιώσουν την λειτουργία του ανθρώπινου εγκεφάλου.

Ο John McCarthy [31], ο οποίος θεωρείται ένας από τους θεμελιωτές της τεχνητής

νοημοσύνης, όρισε τον τομέα αυτόν ως «επιστήμη και μεθοδολογία της δημιουργίας

νοούντων μηχανών».

Η προσφορά της Τεχνητής Νοημοσύνης στην ανθρωπότητα είναι αρκετά σημα-

ντική, διότι η ύπαρξη όλων των καθημερινών εφαρμογών της που τυγχάνουν να

θεωρούνται δεδομένες ή ελάσσονος σημασίας οφείλονται σε αυτή.

2.3.2

Μηχανική μάθηση

Η Μηχανική Μάθηση (Machine Learning) αποτελεί ένα παρακλάδι της τεχνητής

νοημοσύνης. Το όνομα αποδόθηκε από τον Arthur Samuel το 1959 [32] και βασί-

ζεται στην καινοτόμα προσέγγιση ότι οι υπολογιστές αντί να προγραμματίζονται

ντετερμινιστικά για τον τρόπο εκτέλεσης εντολών, να μπορούν από μόνοι τους να

διδαχθούν πως θα πρέπει να δράσουν, ώστε να αντιμετωπίσουν προβλήματα αντί-

ληψης στον πραγματικό κόσμο και να παίρνουν υποκειμενικές αποφάσεις.

Στόχος της αποτελεί η εξέλιξη του παραδοσιακού προγραμματισμού στο βαθμό

όπου ένα πρόγραμμα μηχανικής μάθησης να δύναται να αξιοποιήσει διαφορετικούς

αλγορίθμους να προσαρμόζεται και τελικά να επιλύει το εκάστοτε πρόβλημα. Για

40