L'apprentissage semi-supervisé est un type de technique d'apprentissage automatique qui combine des éléments d'apprentissage supervisé (utilisation de données étiquetées) et d'apprentissage non supervisé (utilisation de données sans étiquettes). Il est utilisé dans une grande variété d’applications informatiques, telles que l’analyse d’images et de données, le traitement du langage naturel et l’inférence de réseau.
L'apprentissage semi-supervisé peut être largement considéré comme une synthèse de méthodes d'apprentissage supervisé, dans laquelle une petite partie des entrées est étiquetée et les données restantes ne sont pas étiquetées. À cette fin, les algorithmes d’apprentissage semi-supervisé utilisent à la fois des données étiquetées et non étiquetées pour identifier des modèles ou des structures dans un ensemble de données.
L’objectif de l’apprentissage semi-supervisé est de trouver une meilleure précision que les techniques d’apprentissage supervisées ou non supervisées seules. L'efficacité et la précision sont améliorées en exploitant des données non étiquetées qui devraient autrement être ignorées en raison du manque d'annotation humaine. L’apprentissage semi-supervisé présente également l’avantage d’être moins coûteux que l’apprentissage supervisé traditionnel, car beaucoup moins d’intrants étiquetés doivent être collectés.
L'apprentissage semi-supervisé est non seulement utile pour améliorer la précision des algorithmes d'apprentissage supervisé, mais également pour la découverte de connaissances dans les domaines de la reconnaissance de formes et de l'apprentissage automatique. Il peut être utilisé pour créer de meilleurs modèles dans les tâches de classification, de régression ou de clustering et peut être utilisé pour réduire la complexité de la sélection de fonctionnalités et des modèles d'apprentissage.
L’apprentissage semi-supervisé est devenu de plus en plus important à l’ère du Big Data. Avec de si grandes quantités de données non étiquetées disponibles, les algorithmes d’apprentissage semi-supervisé permettent aux chercheurs d’utiliser toutes les données disponibles et de produire des modèles plus précis.
