παίδευσης ωστόσο παράγει λάθος προβλέψεις για τα επόμενα δεδομένα εισόδου.

Τα ANN είναι ιδιαίτερα χρήσιμα σε προβλήματα που δεν μπορούν να γίνουν προ-

βλέψεις όπως προβλήματα σε πολλές ανθρώπινες δραστηριότητες που σχετίζονται

με την ταξινόμηση (classification), αναγνώριση (recognition), αποτίμηση (assessment)

και πρόβλεψη (prediction).

2.3.4

Βαθιά Μάθηση

Με την άνοδο της τεχνολογίας, την έρευνα και την προσθήκη νέων τεχνικών, κά-

νει την εμφάνισή της μια νέα μορφή δικτύων αυτή των βαθέως νευρωνικών δικτύων

(DNN) και οι μέθοδοι εκπαίδευσής τους ονομάζονται τεχνικές βαθιάς μάθησης (deep

learning) [38]. Σε αντίθεση με τα απλά νευρωνικά δίκτυα, στη βαθιά μάθηση έχουμε

πολύ περισσότερα κρυφά επίπεδα που αποσκοπούν στην εξαγωγή συμπερασμάτων

με μεγαλύτερη ακρίβεια καθώς και εξαγωγή χαρακτηριστικών υψηλού επιπέδου.

Τα δίκτυα συνήθως λαμβάνουν πολυδιάστατα δεδομένα και σε συνδυασμό με την

ύπαρξη πολλών επιπέδων, η επεξεργασία αυτών καθίσταται εξαιρετικά χρονοβόρα.

Παρόλα αυτά με την εμφάνιση πολυπύρηνων GPUs έχει επιτευχθεί η δραστική μεί-

ωση του χρόνο εκπαίδευσης τους.

2.3.5

Συνελικτικά Νευρωνικά Δίκτυα

Στις προηγούμενες ενότητες έγινε αναφορά στα νευρωνικά δίκτυα και την γενι-

κότερη λειτουργία τους. Σε αυτή την παράγραφο γίνεται αναφορά σε συγκεκριμένα

μοντέλα πολυεπίπεδων νευρωνικών δικτύων και πιο συγκεκριμένα στα νευρωνικά

δίκτυα συνέλιξης.

Αφού εξεταστεί η γενικότερη λειτουργία των νευρωνικών δικτύων, σε αυτή τη

παράγραφο γίνεται αναφορά στα νευρωνικά δίκτυα συνέλιξης. Αυτά ανήκουν στην

κατηγορία των πολυεπίπεδων νευρωνικών δικτύων και κύρια εφαρμογή αυτών των

δικτύων είναι στα προβλήματα εντοπισμού αντικειμένων σε εικόνες. Οι αλγόριθμοι

νευρωνικών δικτύων δεν ανακαλύφθηκαν πρόσφατα. Ήδη από την δεκαετία του

1940 είχε ξεκινήσει η έρευνα σε μαθηματικά μοντέλα νευρώνων και αλγορίθμων

49