Machine learningMachine learning

Semiveiledet læring

Semiveiledet læring (SSL) er et maskinlæringsparadigme som trener modeller ved å bruke et lite sett med merkede eksempler sammen med et mye større utvalg av umerkede data. Ved å utnytte den iboende strukturen i umerkede data oppnår SSL en nøyaktighet som er nærmere fullt veiledede modeller, samtidig som det krever langt færre kostbare manuelle merkelapper – noe som gjør det praktisk når merking er dyrt, tidkrevende eller ressursbegrenset.

Åpne i MethodMindSnartVideoSnartDownload slides

Les hele metoden

Kun for medlemmer

Logg inn med en gratis konto for å lese denne delen.

Logg inn

Method map

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

Semiveiledet læring

Aktiv læring Få-skudds læring Selv-supervisert læring Semi-supervised Random F…Overføringslæring Aktiv læring med boosting Aktiv læring i føderert…Aktiv læring Gaussisk bl…Logistisk regresjon for…Aktiv læring for One-cla…

+61 more

Kilder

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 ↗

Slik siterer du denne siden

ScholarGate. (2026, June 3). Semi-supervised Learning (Combined Labeled and Unlabeled Data Training). ScholarGate. https://scholargate.app/no/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.

Aktiv læringMaskinlæring↔ compare
Få-skudds læringMaskinlæring↔ compare
Selv-supervisert læringMaskinlæring↔ compare
Semi-supervised Random ForestMaskinlæring↔ compare
OverføringslæringMaskinlæring↔ compare

Compare side by side →

Referert av

Aktiv læring med boosting Aktiv læring i føderert læring Aktiv læring Gaussisk blandingsmodell Logistisk regresjon for aktiv læring Aktiv læring for One-class SVM Aktiv læring med selv-supervisert læring Aktiv læring Support Vector Machine Aktiv læring stemmekomiteen Apriori-algoritmen Assosiasjonsregler Bayesiansk aktiv læring Bayesiansk online læring Bayesiansk semi-veiledt læring Ensemble Active Learning Ensemble Online Læring Ensemble Self-supervised Learning Ensemble semi-supervised learning Få-skudds læring Metrikklæring Online aktiv læring Online Few-shot Learning Online læring Online semi-supervised learning Online Transfer Learning Regularisert føderert læring Regularisert nettbasert læring Regularisert semi-veiledet læring Robust aktiv læring Selv-supervisert aktiv læring Selv-supervisert beslutningstre Selv-supervisert føderert læring Selv-supervisert Gaussisk Blandingsmodell Selvveiledet gradient-boosting Selv-supervisert læring Selv-supervisert Naive Bayes Selv-supervisert tilfeldig skog Selvveiledet stablingensemble Selv-supervisert støttevektormaskin Selv-supervisert overføringslæring Semi-veiledet aktiv læring Semi-supervised Apriori-algoritmen Semi-supervised Association Rules Semi-overvåket autoenkoder-anomalideteksjon Semi-supervised Bagging Semi-supervised Boosting Semi-supervised Diffusion Model Semi-supervised Federated Learning Semi-supervised Few-shot Learning Semi-supervised GAN Semi-supervised Gaussian Mixture Model Semiveiledet Gaussisk Prosess Semi-supervised Gradient Boosting Semi-veilet grafnevralt nettverk Semi-supervised Isolation Forest Semi-veilet K-means Semi-supervised K-Nærmeste Naboer Semi-supervised lineær regresjon Logistisk regresjon med semi-overvåking Semi-supervised LSTM Semi-veiledt metrikklæring Semi-supervised Naive Bayes Semi-supervised One-class SVM Semi-veilet Online Læring Semi-supervised Transfer Learning Semi-supervised Voting Ensemble Overføringslæring Svake-veiledet semantisk segmentering Svakt veiledet variasjonsautoenkoder Svakt veiledet Vision Transformer

Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →