Machine learningMachine learning

Aprendizaje semisupervisado

El aprendizaje semisupervisado (SSL, por sus siglas en inglés) es un paradigma de aprendizaje automático que entrena modelos utilizando un pequeño conjunto de ejemplos etiquetados junto con un conjunto mucho mayor de datos no etiquetados. Al aprovechar la estructura inherente en los datos no etiquetados, el SSL logra una precisión cercana a la de los modelos totalmente supervisados, al tiempo que requiere muchas menos etiquetas manuales costosas, lo que lo hace práctico cuando el etiquetado es caro, lento o está restringido en recursos.

Abrir en MethodMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

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

+61 more

Fuentes

  1. Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
  2. Zhu, X. (2005). Semi-supervised learning literature survey. Technical Report 1530, University of Wisconsin-Madison. link

Cómo citar esta página

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

Compare side by side

Citado por

Active Learning BoostingAprendizaje Activo FederadoModelo de Mezcla Gaussiana con Aprendizaje ActivoRegresión logística de aprendizaje activoActive Learning One-class SVMAprendizaje Activo con Aprendizaje AutosupervisadoMáquina de Vectores de Soporte de Aprendizaje ActivoVotación en Conjunto de Aprendizaje ActivoAlgoritmo AprioriReglas de asociaciónAprendizaje Activo BayesianoAprendizaje bayesiano en líneaAprendizaje bayesiano semisupervisadoAprendizaje Activo de ConjuntosAprendizaje Ensamble en LíneaAprendizaje autosupervisado en conjuntoAprendizaje semi-supervisado de conjuntosAprendizaje con Pocos EjemplosAprendizaje métricoAprendizaje Activo en LíneaAprendizaje de pocas muestras en líneaAprendizaje en líneaAprendizaje semi-supervisado en líneaAprendizaje por transferencia en líneaAprendizaje Federado RegularizadoAprendizaje en línea regularizadoAprendizaje semisupervisado regularizadoAprendizaje Activo RobustoAprendizaje activo auto-supervisadoÁrbol de Decisión Auto-supervisadoAprendizaje Federado AutosupervisadoModelo de Mezcla Gaussiana Auto-supervisadoPotenciación del gradiente autosupervisadaAprendizaje autosupervisadoNaive Bayes Auto-supervisadoBosque Aleatorio AutosupervisadoConjunto de apilamiento auto-supervisadoMáquina de Vectores de Soporte AutosupervisadaAprendizaje por transferencia auto-supervisadoAprendizaje Activo SemisupervisadoAlgoritmo Apriori Semi-supervisadoReglas de Asociación Semi-supervisadasDetección de anomalías con autoencoder semi-supervisadoBagging Semi-supervisadoSemi-supervised BoostingModelo de difusión semi-supervisadoAprendizaje Federado Semi-supervisadoAprendizaje Semi-supervisado de Pocas MuestrasGAN semi-supervisadoModelo de Mezcla Gaussiana Semi-supervisadoProceso Gaussiano SemisupervisadoGradient Boosting Semi-supervisadoRed Neuronal de Grafos Semi-supervisadaIsolation Forest SemisupervisadoK-means SemisupervisadoK-vecinos más cercanos semi-supervisadoRegresión lineal semisupervisadaRegresión Logística SemisupervisadaLSTM semi-supervisadaAprendizaje de métricas semisupervisadoNaive Bayes Semi-supervisadoSVM Uniclasse SemisupervisadoAprendizaje Online Semi-supervisadoAprendizaje por transferencia semisupervisadoVotación en conjunto semisupervisadaAprendizaje por transferenciaSegmentación Semántica Débilmente SupervisadaAutoencoder Variacional Débilmente SupervisadoVision Transformer con Supervisión Débil
ScholarGateSemi-supervised Learning (Semi-supervised Learning (Combined Labeled and Unlabeled Data Training)). Recuperado el 2026-06-15 de https://scholargate.app/es/machine-learning/semi-supervised-learning · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026