半監督式學習

半監督式學習（Semi-supervised Learning）是介於監督式和非監督式學習之間的機器學習方法，利用少量標記數據和大量未標記數據來訓練模型。

為何重要：

• 標記數據昂貴且耗時（需要人工標註）
• 未標記數據通常大量且容易獲取
• 結合兩者可以提高模型性能同時降低成本

核心方法：

• 自我訓練（Self-training）：模型對未標記數據進行預測，高置信度的預測作為偽標籤
• 協同訓練（Co-training）：多個視角的模型互相教導
• 圖方法：利用數據點之間的相似性構建圖結構進行標籤傳播
• 生成模型：學習數據的潛在分布來輔助分類

應用場景：

• 網頁分類：少量人工標記頁面，大量未標記頁面
• 醫療影像：專家標記的病例少，影像數據多
• 自然語言處理：文本分類和情感分析
• 計算機視覺：物體檢測和圖像分割

與監督式學習和非監督式學習的關係：半監督學習結合了兩者的優勢。