Machine learningMachine learning

Semi-supervised Learning

Semi-supervised learning (SSL) er et paradigme inden for machine learning, der træner modeller ved hjælp af et lille sæt mærkede eksempler sammen med en meget større mængde umærkede data. Ved at udnytte den struktur, der er iboende i umærkede data, opnår SSL en nøjagtighed tættere på fuldt superviserede modeller, mens der kræves langt færre dyre manuelle mærkater – hvilket gør det praktisk, når mærkning er dyr, langsom eller ressourcebegrænset.

Åbn i MethodMindSnartVideoSnartDownload slides

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Method map

The neighbourhood of related methods — select a node to explore.

Semi-supervised Learning

Aktiv læring Few-shot Learning Selvovervåget læring Semi-supervised Random F…Overførselslæring Aktiv læring med boosting Aktiv Læring Fødereret L…Aktiv Læring Gaussisk Bl…Aktiv læring med logisti…Aktiv læring One-class S…

+61 more

Kilder

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 ↗

Sådan citerer du denne side

ScholarGate. (2026, June 3). Semi-supervised Learning (Combined Labeled and Unlabeled Data Training). ScholarGate. https://scholargate.app/da/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.

Aktiv læringMaskinlæring↔ compare
Few-shot LearningMaskinlæring↔ compare
Selvovervåget læringMaskinlæring↔ compare
Semi-supervised Random ForestMaskinlæring↔ compare
OverførselslæringMaskinlæring↔ compare

Compare side by side →

Refereret af

Aktiv læring med boosting Aktiv Læring Fødereret Læring Aktiv Læring Gaussisk Blandingsmodel Aktiv læring med logistisk regression Aktiv læring One-class SVM Aktiv læring med selvovervåget læring Support Vector Machine med aktiv læring Active Learning Voting Ensemble Apriori Algoritmen Associeringsregler Bayesiansk aktiv læring Bayesiansk online læring Bayesiansk semi-superviseret læring Ensemble Active Learning Ensemble Online Learning Ensemble Selv-superviseret Læring Ensemble semi-superviseret læring Few-shot Learning Metrisk Læring Online Active Learning Online Few-shot Learning Online læring Online semi-superviseret læring Online Transfer Learning Regulariseret fødereret læring Regulæriseret Online Læring Regulariseret semisuperviseret læring Robust Active Learning Selv-superviseret aktiv læring Selv-overvåget beslutningstræ Selv-superviseret fødereret læring Selv-overvåget Gaussisk Blandingsmodel Selvsuperviseret gradient-boosting Selvovervåget læring Selv-superviseret Naive Bayes Selvovervåget Random Forest Self-supervised Stacking Ensemble Selv-overvåget Support Vector Machine Selv-overvåget transfer learning Semi-supervised Active Learning Semi-overvåget Apriori-algoritme Semiovervågede associationsregler Semi-overvåget Autoencoder Anomalidetektion Semi-supervised Bagging Semi-supervised Boosting Semiovervåget diffusionsmodel Semi-supervised Federated Learning Semi-supervised Few-shot Learning Semi-supervised GAN Semi-supervised Gaussian Mixture Model Semi-supervised Gaussisk Proces Semi-overvåget Gradient Boosting Semi-overvåget grafneuralt netværk Semi-supervised Isolation Forest Semi-overvåget K-means Semi-superviseret K-Nærmeste Naboer Semi-overvåget lineær regression Semi-supervised logistisk regression Semi-supervised LSTM Semi-supervised Metric Learning Semi-superviseret Naive Bayes Semi-supervised One-class SVM Semi-superviseret Online Indlæring Semi-supervised Transfer Learning Semi-supervised Voting Ensemble Overførselslæring Svagt superviseret semantisk segmentering Svagt overvåget Variational Autoencoder Svagt superviseret Vision Transformer

Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →