本文主要是介绍机器学习-算法-半监督学习：半监督学习（Semi-supervised Learning）算法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
人工智能-机器学习-算法-半监督学习：半监督学习（Semi-supervised Learning）算法
- 一、半监督学习算法提出的背景
- 1、监督学习算法
- 2、无监督学习算法
- 3、监督学习的特征选择方法
- 4、无监督学习的特征选择方法
- 5、问题的提出
- 二、学术名词区分
- 1、主动学习（active learning）
- 2、归纳式学习（inductive learning）
- 3、直推式学习（transductive learning）
- 4、监督学习、半监督归纳式学习、半监督直推式学习区别
- 5、半监督归纳式(induction)学习
- 6、半监督直推式(transductive)学习
- 三、半监督学习的基本假设
- 1、平滑假设(smoothness assumption)
- 2、聚类假设(cluster assumption)
- 3、流型假设(maniford assumption)
- 四、半监督学习算法的主要方法
- 1、生成式模型(Generative Model)/最大期望法(EM算法)
- 1.1 生成模型与判别模型
- 1.2 高斯混合模型的似然函数
- 1.3 参数估计
- 2、低密度分割算法(Low-density Separation)：自训练(Self-training)
- 2.1 Self-training步骤
- 2.2 Self-training损失函数
- 3、转导支持向量机(Transductive Support Vector Machines)-聚类假设
- 4、先聚类后标注算法(Cluster and then Label)
- 4.1 Smoothness Assumption
- 4.2 Cluster and then Label
- 5、基于图的方法(Graph-Based Approach)
- 5.1 Graph Construction
- 5.2 Smoothness of the labels on the graph
- 6、协同训练(Co-training)
- 五、半监督学习算法应用实例
- 1、语音识别(Speech Recognition)
- 2、文本分类(Text categorization)
- 3、语义解析(Parsing)
- 4、视频监控(Video surveillance)
- 5、蛋白质结构预测(Protein structure prediction)
- 六、半监督学习中待研究的问题
- 1、无标签样本的有效利用问题
- 2、大量无标签样本的高效使用问题
- 3、特征选择中的有效性问题
一、半监督学习算法提出的背景
1、监督学习算法
- 监督学习：训练样本集不仅包含样本，还包含这些样本对应的标签，即样本和样本标签成对出现。监督学习的目标是从训练样本中学习一个从样本到标签的有效映射，使其能够预测未知样本的标签。监督学习是机器学习中最成熟的学习方法，代表性的算法包括神经网络、支持向量机（SVM）等。
2、无监督学习算法
- 无监督学习：只能利用训练样本的数据分布或样本间的关系将样本划分到不同的聚类簇或给出样本对应的低维结构。- 因此，无监督学习常被用于对样本进行聚类或降维，典型的算法包括尺均值聚类和主成分分析等。
3、监督学习的
这篇关于机器学习-算法-半监督学习：半监督学习（Semi-supervised Learning）算法的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
