Apprentissage semi-supervisé

Définition

L'apprentissage semi-supervisé (semi-supervised learning) consiste à entraîner un modèle d'apprentissage sur un jeu de données partiellement annoté qui comporte quelques données annotées et beaucoup de données non-annotées. L'idée est d'attribuer les annotations en utilisant la similarité entre les données annotées et les données non-annotées.

L'apprentissage semi-supervisé se situe ainsi entre l'apprentissage supervisé qui n'utilise que des données annotées et l'apprentissage non-supervisé qui n'emploie que des données non-annotées. La combinaison de ces deux ensembles de données permet d’améliorer sensiblement les résultats sans avoir recours à l’intervention fastidieuse (coûteuse et chronophage) de l’annotation manuelle.

Complément:

Par exemple, un algorithme non-supervisé de groupement identifie des groupes, puis il attribue une étiquette à chacun des groupes pour ensuite étiqueter tous les membres de chacun de ces groupes.

Français

apprentissage semi-dirigé

apprentissage semi-supervisé

entraînement semi-supervisé

Anglais

semi-supervised learning

Source: Marc Lucea. Modélisation dynamique par réseaux de neurones et machines à vecteurs supports: contribution à la maîtrise des émissions polluantes de véhicules automobiles.. domain_other. UniversitéPierre et Marie Curie - Paris VI, 2006. Français. <pastel-00001943>

Source: Wikipédia, Apprentissage semi-supervisé

Source: Bisson, Valentin (2012). Algorithmes d’apprentissage pour la recommandation, thèse de doctorat, Université de Montréal, 96 pages.

Source: Termino

Compléments vidéos