التعلم شبه الخاضع للإشراف هو نوع من تقنيات التعلم الآلي الذي يجمع بين عناصر التعلم الخاضع للإشراف (استخدام البيانات المصنفة) والتعلم غير الخاضع للإشراف (استخدام البيانات بدون تسميات). يتم استخدامه في مجموعة واسعة من تطبيقات الكمبيوتر، مثل تحليل الصور والبيانات، ومعالجة اللغة الطبيعية، واستدلال الشبكة.
يمكن اعتبار التعلم شبه الخاضع للإشراف على نطاق واسع توليفة من أساليب التعلم الخاضع للإشراف، حيث يتم تصنيف جزء صغير من المدخلات، ويتم تسمية البيانات المتبقية. ولتحقيق هذه الغاية، تستفيد خوارزميات التعلم شبه الخاضعة للإشراف من البيانات المصنفة وغير المسماة لتحديد الأنماط أو الهياكل في مجموعة البيانات.
الهدف من التعلم شبه الخاضع للإشراف هو إيجاد دقة أفضل من تقنيات التعلم الخاضعة للإشراف أو غير الخاضعة للإشراف وحدها. تم تحسين الكفاءة والدقة من خلال استغلال البيانات غير المسماة والتي كان من الممكن أن يتم تجاهلها بسبب عدم وجود تعليقات توضيحية بشرية. يتمتع التعلم شبه الخاضع للإشراف أيضًا بميزة كونه أقل تكلفة من التعلم التقليدي الخاضع للإشراف، نظرًا لأنه يجب جمع عدد أقل بكثير من المدخلات المصنفة.
التعلم شبه الخاضع للإشراف ليس مفيدًا فقط لتحسين دقة خوارزميات التعلم الخاضع للإشراف، ولكن أيضًا لاكتشاف المعرفة في مجالات التعرف على الأنماط والتعلم الآلي. يمكن استخدامه لبناء نماذج أفضل في مهام التصنيف أو الانحدار أو التجميع ويمكن استخدامه لتقليل التعقيد في اختيار الميزات ونماذج التعلم.
أصبح التعلم شبه الخاضع للإشراف ذا أهمية متزايدة في عصر البيانات الضخمة. مع توفر هذه الكميات الكبيرة من البيانات غير المسماة، تسمح خوارزميات التعلم شبه الخاضعة للإشراف للباحثين بالاستفادة من جميع البيانات المتاحة وإنتاج نماذج أكثر دقة.
