Modelos Semi-Supervisados

Son algoritmos diseñados para trabajar en situaciones donde solo una parte de los datos disponibles está etiquetada, mientras que el resto permanece sin etiquetar.

Combinan técnicas de aprendizaje supervisado, que utilizan datos etiquetados, con métodos de aprendizaje no supervisado, que trabajan con datos sin etiquetar, para mejorar la eficiencia y precisión del modelo.

Una de las principales ventajas es que reducen significativamente la necesidad de grandes cantidades de datos etiquetados, los cuales suelen ser costosos y laboriosos de obtener.

Estos modelos son especialmente útiles en escenarios como la clasificación de texto, reconocimiento de imágenes y aplicaciones biomédicas, donde las etiquetas de los datos pueden ser escasas.

Al aprovechar tanto los datos etiquetados como sin etiquetar, buscan capturar patrones más generalizados y mejorar el rendimiento en comparación con enfoques exclusivamente supervisados o no supervisados.