Обгрунтовано необхідність подальшого дослідження відомих методів та розробки нових методів машинного навчання - напівкерованого навчання. Показано, що знання щільності розподілу ймовірностей вихідних даних, одержаних з використанням немаркованих даних, має нести інформацію, корисну для одержання умовної щільності розподілу ймовірностей міток і вхідних даних. Якщо це не так, напівкероване навчання не забезпечить жодних покращань у порівнянні з контрольованим навчанням. Може навіть статися так, що використання немаркованих даних зменшить точність передбачення. Щоб напівкероване навчання працювало, мають виконуватися певні припущення, а саме: напівкероване припущення гладкості, припущення кластеризації (поділ із низькою щільністю) і припущення різноманіття. Розроблено новий гібридний алгоритм напівкерованого навчання з використанням методу поширення мітки. Наведено приклад використання запропонованого алгоритму.

 Наукова періодика України 

---

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"