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

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