Apprentissage semi-supervisé
L'apprentissage semi-supervisé (SSL) est un paradigme d'apprentissage automatique qui entraîne des modèles en utilisant un petit ensemble d'exemples étiquetés conjointement avec un pool beaucoup plus large de données non étiquetées. En tirant parti de la structure inhérente aux données non étiquetées, le SSL atteint une précision plus proche de celle des modèles entièrement supervisés tout en nécessitant beaucoup moins d'étiquettes manuelles coûteuses, ce qui le rend pratique lorsque l'étiquetage est coûteux, lent ou limité en ressources.
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.
+61 more
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Learning (Combined Labeled and Unlabeled Data Training). ScholarGate. https://scholargate.app/fr/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.
- Apprentissage actifApprentissage automatique↔ compare
- Apprentissage à peu d'exemplesApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- Forêt aléatoire semi-superviséeApprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →