半监督学习（semi-supervised learing）

1  未标记样本

    【假设】 数据分布信息和类别标记的联系。【常见假设】聚类假设（cluster assumption）：同一族的样本属于同一个类别。

                                                                                               流形假设：数据分布在流形结构上：邻近的样本有相似的输出值。

     【半监督学习的划分】纯半监督：

                                         直推学习（dransductive learning）

2 生成式方法（generative methods）

    标记与未标记样本，都有一个潜在的模型“生成”：比如基于极大似然估计求解EM算法

    常见的生成式：判别式分析（线性模型）；朴素贝叶斯（监督）；k近邻（KNN）；混合高斯EM；HMM（隐马尔科夫）；MRF（马尔科夫随机场）贝叶斯网络（半监督）；sigmoid belif network &深度信念网络（既可以用于非监督学习，类似于一个自编码机；也可以用于监督学习，作为分类器来使用）；

    【扩展-判别式模型】：线性回归（linear regression）；逻辑斯蒂回归（logistic regression）；神经网络（nn）；支持向量机（svm）；高斯过程（Gaussian Process）；条件随机（CRF，监督，概率图部分知识）；CART(classification and regression tree)“半监督：通用决策树”。

3 半监督SVM

4 图半监督学习

【假设】若两个样本之间的相似度很高，则对应的节点之间存在一条边

【迭代标记传播算法】

5 多分歧的方法（disagreement-based methods）【基于多样性】

  【基于单学习器】：半监督SVM，图半监督学习，生成式方法

  【基于多学习器】：集成学习或者多分类器系统：【其他常见】基于若学习器的【boosting】；基于并行集成的【bagging and 随机森林】【多学习器结合的策略】平均法，投票法，学习法。

6  半监督聚类