Apprentissage semi-supervisé bayésien
L'apprentissage semi-supervisé bayésien est un cadre probabiliste qui utilise à la fois un petit ensemble de données étiquetées et un plus grand ensemble d'observations non étiquetées pour inférer les paramètres du modèle et faire des prédictions. En traitant les étiquettes manquantes comme des variables latentes et en plaçant des priors sur les paramètres, il quantifie naturellement l'incertitude tout en exploitant les données non étiquetées pour améliorer la généralisation.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
- Zhu, X., Ghahramani, Z., & Lafferty, J. (2003). Semi-supervised learning using Gaussian fields and harmonic functions. Proceedings of the 20th International Conference on Machine Learning (ICML), 912–919. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Semi-supervised Learning (Probabilistic Inference with Labeled and Unlabeled Data). ScholarGate. https://scholargate.app/fr/machine-learning/bayesian-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.
- Apprentissage Actif BayésienApprentissage automatique↔ compare
- Modèle Bayésien de Mélange GaussienApprentissage automatique↔ compare
- Apprentissage à peu d'exemplesApprentissage automatique↔ compare
- Processus GaussienApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →