Pembelajaran Separa Selia
Pembelajaran separa selia (SSL) ialah paradigma pembelajaran mesin yang melatih model menggunakan set kecil contoh berlabel bersama kumpulan data tidak berlabel yang jauh lebih besar. Dengan memanfaatkan struktur yang wujud dalam data tidak berlabel, SSL mencapai ketepatan yang lebih dekat kepada model yang diselia sepenuhnya sambil memerlukan label manual yang jauh lebih sedikit — menjadikannya praktikal apabila pelabelan mahal, perlahan, atau terhad sumber.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+61 more
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised Learning (Combined Labeled and Unlabeled Data Training). ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran AktifPembelajaran Mesin↔ compare
- Pembelajaran Sifar Contoh (Few-shot Learning)Pembelajaran Mesin↔ compare
- Pembelajaran Kendiri-PenyeliaanPembelajaran Mesin↔ compare
- Semi-supervised Random ForestPembelajaran Mesin↔ compare
- Pembelajaran PindahanPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →