Machine learningMachine learning

Semi-Supervised Learning

Semi-Supervised Learning (SSL) ist ein Paradigma des maschinellen Lernens, das Modelle unter Verwendung eines kleinen Satzes von gelabelten Beispielen zusammen mit einem viel größeren Pool ungelabelter Daten trainiert. Durch die Nutzung der in ungelabelten Daten inhärenten Struktur erreicht SSL eine Genauigkeit, die der von vollständig überwachten Modellen nahekommt, während wesentlich weniger kostspielige manuelle Labels erforderlich sind – was es praktisch macht, wenn die Label-Erstellung teuer, langsam oder ressourcenbeschränkt ist.

In MethodMind öffnenDemnächstVideoDemnächstDownload slides

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Anmelden

Method map

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

Semi-Supervised Learning

Aktives Lernen Few-Shot Learning Selbstüberwachtes Lernen Semi-supervised Random F…Transfer Learning Active Learning Boosting Aktives Lernen im Verbund Aktives Lernen mit Gaußs…Aktives Lernen mit logis…One-Class SVM mit aktive…

+61 more

Quellen

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 ↗

So zitieren Sie diese Seite

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

Aktives LernenMaschinelles Lernen↔ compare
Few-Shot LearningMaschinelles Lernen↔ compare
Selbstüberwachtes LernenMaschinelles Lernen↔ compare
Semi-supervised Random ForestMaschinelles Lernen↔ compare
Transfer LearningMaschinelles Lernen↔ compare

Compare side by side →

Referenziert von

Active Learning Boosting Aktives Lernen im Verbund Aktives Lernen mit Gaußschen Mischmodellen Aktives Lernen mit logistischer Regression One-Class SVM mit aktivem Lernen Aktives Lernen mit selbstüberwachtem Lernen Active Learning Support Vector Machine Active Learning Voting Ensemble Apriori-Algorithmus Assoziationsregeln Bayesian Active Learning Bayesian Online Learning Bayesian Semi-supervised Learning Ensemble Active Learning Ensemble Online Learning Ensemble Self-supervised Learning Ensemble Semi-Supervised Learning (Ensemble-Halbüberwachtes Lernen)Few-Shot Learning Metrik-Lernen Online Active Learning Online Few-Shot Learning Online-Lernen Online Semi-supervised Learning Online Transfer learning Regularized Federated Learning Regularisierte Online-Lernverfahren Regularisierte halb-überwachte Lernverfahren Robust Active Learning Self-supervised Active Learning Selbstüberwachte Entscheidungsbäume Self-supervised Federated Learning Selbstüberwachtes Gaußsches Mischmodell Self-supervised Gradient Boosting Selbstüberwachtes Lernen Selbst-überwachtes Naive Bayes Selbstüberwachtes Zufallswald Selbstüberwachte Stapel-Ensemble Selbstüberwachtes Support Vector Machine Selbstüberwachtes Transferlernen Semi-supervised Active Learning Semi-überwachter Apriori-Algorithmus Halbüberwachte Assoziationsregeln Semi-supervised Autoencoder Anomalieerkennung Halbüberwachtes Bagging Halbüberwachtes Boosting Halbüberwachtes Diffusionsmodell Semi-überwachtes Föderiertes Lernen Semi-supervidiertes Wenig-Schuss-Lernen Semi-supervised GAN Halb-überwachtes Gaußsches Mischmodell Semi-supervised Gaussian Process Halb-überwachtes Gradient Boosting Semi-überwachtes Graph-neuronales Netz Halbüberwachte Isolation Forest Semi-überwachtes K-Means Semi-supervised K-Nearest Neighbors Halb-überwachte Lineare Regression Semi-überwachte logistische Regression Halbüberwachte LSTM Halb-überwachtes Metrik-Lernen Semi-supervised Naive Bayes Halb-überwachtes One-Class-SVM Semi-überwachtes Online-Lernen Semi-supervised Transfer Learning Semi-überwachtes Voting-Ensemble Transfer Learning Schwache überwachte semantische Segmentierung Schwacher überwachter Variationsautoencoder Schwach überwachter Vision Transformer (WS-ViT)

Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →