Los ciclos de aprendizaje semi supervisados son un tipo de flujo de trabajo iterativo de aprendizaje automático (machine-learning) que aprovechan las relaciones existentes entre los datos sin etiquetar. Estas técnicas pueden mejorar los modelos mediante la combinación de conjuntos de datos etiquetados y no etiquetados de varias maneras. En otros casos, comparan modelos entrenados con diferentes subconjuntos de los datos. A diferencia del aprendizaje no supervisado donde una máquina infiere clases a partir de datos no etiquetados o del aprendizaje supervisado donde los datos de entrenamiento están completamente etiquetados, las técnicas de aprendizaje semi supervisado toman ventaja de un pequeño conjunto de datos etiquetados y un conjunto mucho más grande de datos no etiquetados. Además, el aprendizaje semi supervisado está estrechamente relacionado con técnicas de aprendizaje activas, donde un humano es dirigido a etiquetar selectivamente datos ambiguos. Ya que los humanos expertos que puedan etiquetar datos con exactitud son un recurso escaso, y que etiquetar los datos es usualmente la tarea que requiere más tiempo en el flujo de trabajo del aprendizaje automático, las técnicas de aprendizaje semi supervisado reducen el coste del entrenamiento y hacen el aprendizaje automático viable para una nueva clase de usuarios. También observamos la aplicación de técnicas de aprendizaje débilmente supervisadas donde datos etiquetados por una máquina son usados, pero se confía menos en ellos que los datos etiquetados por un humano.
Los ciclos de aprendizaje semi-supervisados son una clase de flujo de trabajo de aprendizaje automático iterativo que aprovecha las relaciones que pueden encontrarse en datos no etiquetados. Estas técnicas pueden mejorar modelos al combinar grupos de datos etiquetados y no etiquetados de varias maneras. En otros casos, comparan modelos entrenados con diferentes subcolecciones de los datos. A diferencia del aprendizaje no supervisado, donde la máquina infiere clases de datos no etiquetados o de técnicas supervisadas o la colección de entrenamiento está completamente etiquetada, las técnicas semi-supervisadas sacan partido de una pequeña colección de datos etiquetados y una colección mucho más grande de datos no etiquetados.El aprendizaje semi-supervisado también está estrechamente relacionado a técnicas de aprendizaje activas donde a un humano se le dirige para que etiquete selectivamente puntos de datos ambiguous. Ya que los expertos humanos capaces de etiquetar datos de manera certera son un recurso escaso y que el etiquetar es a menudo la actividad que consume más tiempo en el flujo de trabajo del aprendizaje automático, las técnicas semi-supervisadas reducen los costes y hacen al aprendizaje automático más accesible a una nueva clase de usuarios.
