Semisupervisední učení
Semisupervisední učení (SSL) je paradigma strojového učení, které trénuje modely s využitím malé sady označených příkladů spolu s mnohem větším množstvím neoznačených dat. Využitím inherentní struktury neoznačených dat dosahuje SSL přesnosti blízké plně supervisedním modelům, přičemž vyžaduje podstatně méně nákladných manuálních označení – což je praktické, když je označování drahé, pomalé nebo omezené zdroji.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+61 more
Zdroje
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
- Zhu, X. (2005). Semi-supervised learning literature survey. Technical Report 1530, University of Wisconsin-Madison. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Learning (Combined Labeled and Unlabeled Data Training). ScholarGate. https://scholargate.app/cs/machine-learning/semi-supervised-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Aktivní učeníStrojové učení↔ compare
- Učení s malým počtem příkladůStrojové učení↔ compare
- Samoučící se učeníStrojové učení↔ compare
- Semi-supervised Random ForestStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →