机器学习-算法-半监督学习：半监督学习（Semi-supervised Learning）算法

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