Академический Документы
Профессиональный Документы
Культура Документы
Extrait de :
http://www.public.asu.edu/~jye02
Position du Problme
Donnes avec labels
m
Apprentissage semi-supervis
Apprentissage semi-supervis pour amliorer les performances en
combinant les donnes avec labels (peu) et sans labels (beaucoup)
Classification semi-supervise : entraner sur des donnes avec labels
et exploiter les donnes (beaucoup) sans labels
Clustering semi-supervis : clustering des donnes sans labels en
s'aidant des donnes avec labels
Clustering
Apprentissage
Semi-supervis
Classification
Hypothse de classe
Classification Semi-Supervise
.
.
.
.
.
.
.
. ..
.. .
.. .
.
. .
. . .
. .
.
.
.
. ..
.. .
.. .
.
. .
. . .
. .
Classification Semi-Supervise
Algorithmes:
EM Semi-supervis [Ghahramani:NIPS94,Nigam:ML00].
Co-training [Blum:COLT98].
Transductive SVMs [Vapnik:98,Joachims:ICML99].
Algorithmes base de Graphes [Blum:ICML01,
Joachims:ICML03,Zhu:ICML03,ZHOU:NIPS03]
hypothses:
Clustering Semi-Supervis
.
.
.
. ..
.. .
.. .
.
. .
. . .
. .
.
.
.
. ..
.. .
.. .
.
. .
. . .
. .
.
.
.
. ..
.. .
.. .
.
. .
. . .
. .
.
.
.
. ..
.. .
.. .
.
. .
. . .
. .
Clustering semi-supervis :
Entre :
Sortie :
Objectif :
Applications potentielles
Bioinformatique (gene et protein clustering)
Construction de hirarchies de documents
Categorisation de News/email
categorisation d'Images
Clustering Semi-Supervis
Approches
Combination of both
Ide de base
Exemples
Classification pages Web
Classification de documents
Classification de protines