παράδειγμα, ένα νευρωνικό δίκτυο που έχει εκπαιδευτεί να αναγνωρίζει τουλίπες

σε εικόνες, δεν απαιτεί να εκπαιδευτεί εκ νέου από το μηδέν για να αναγνωρίζει

και τριαντάφυλλα.

Αρκετά προβλήματα όπου η λύση τους μέχρι και πριν από μερικά χρόνια δινόταν

με την ενσωμάτωση ανθρώπινης γνώσης στον κώδικα, σήμερα επιλύονται με χρήση

αλγορίθμων μηχανικής μάθησης. Μερικά παραδείγματα αφορούν:

• Μηχανική Όραση (Machine Vision)

– Εντοπισμός και αναγνώριση αντικειμένων σε εικόνες και video (Object

Detection & Recognition)

• Ρομποτική (Robotics)

• Μηχανές Αναζήτησης (Search Engines)

• Ανίχνευση κυβερνοεπιθέσεων (Cyberattack detection)

• Επεξεργασία φυσικής γλώσσας (Natural Language Processing)

– Κατανόηση της φυσικής γλώσσας και μοντελοποίηση της για χρήση από

μηχανές (Natural Language Understanding and Generation)

• Παίξιμο Παιγνίων (Game playing)

• Βιοπληροφορική (Bioinformatics)

Η μηχανική μάθηση ταξινομείται σε τρεις βασικές κατηγορίες ανάλογα με την

φύση των δεδομένων εισόδου και την ανατροφοδότηση σε ένα σύστημα εκμάθησης

[33] :

• Μάθηση υπό επίβλεψη (Supervised Learning): Στο υπολογιστικό σύστημα δί-

νονται ως είσοδο δεδομένα με ετικέτες που αντιπροσωπεύουν την κατηγορία

στην οποία ανήκουν. Στόχος είναι να εξαχθεί ένας γενικός κανόνας αντιστοίχι-

σης της εισόδου με την κατάλληλη κατηγορία. Η αναγνώριση προκαθορισμένων

αντικειμένων σε εικόνες είναι ένα είδους προβλήματος που ανήκει σε αυτή την

κατηγορία.

41