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