问：
半监督学习为什么对机器学习有用呢？
A：半监督学习是机器学习和深度学习过程的重要组成部分，因为它以重要的方式扩展和增强了机器学习系统的功能。
首先，在当今新生的机器学习行业中，已经出现了两种用于训练计算机的模型：称为监督学习和无监督学习。 它们的根本不同之处在于，监督学习涉及使用标记的数据来推断结果，而无监督学习则涉及通过检查训练数据集中每个对象的属性从未标记的数据推断出来。
| 免费下载： 机器学习及其重要性 |
专家通过使用许多不同的示例对此进行解释：无论训练集中的对象是水果，彩色形状还是客户帐户，监督学习的共同点是该技术从知道这些对象是什么开始-主要分类已经完成。 。 相比之下，在无监督学习中，该技术会查看尚未定义的项目，并根据其自身使用的标准对其进行分类。 有时将其称为“自学”。
因此，这是半监督学习的主要用途：它结合了使用标记的数据和未标记的数据来获得“两种方法中的最佳方法”。
有监督的学习为技术提供了更多的发展方向，但它可能会耗费大量人力，劳动密集，乏味并且需要付出更多的努力。 无监督学习更“自动化”，但结果准确性可能低得多。
因此，在使用一组标记数据（通常在大事物方案中通常是较小的一组数据）时，半监督学习方法有效地“启动”了系统以进行更好的分类。 例如，假设机器学习系统正在尝试根据二进制标准（黑与白）识别100个项目。 仅具有一个标记的实例（一个白色，一个黑色），然后根据最佳标准将其余的“灰色”项目聚类，这可能非常有用。 但是，一旦这两项被标记，无监督学习就变成半监督学习。
在指导半监督学习时，工程师仔细查看决策边界，这些边界会影响机器学习系统在评估未标记数据时将其分类为一个或另一个标记结果。 他们将考虑如何在任何实现方式中最好地使用半监督学习：例如，半监督学习算法可以为“一对二”方法“包装”现有的unsup算法。
半监督学习作为一种现象必将推动机器学习的前沿，因为它为更有效，更高效的机器学习系统打开了各种新的可能性。
