O que é aprendizagem semi-supervisionada e auto-treinamento?

O aprendizado semi-supervisionado é uma abordagem no aprendizado de máquina que utiliza tanto dados rotulados quanto não rotulados para treinar o modelo. Normalmente, há poucos dados rotulados e muitos não rotulados, e os métodos semi-supervisionados ajudam a melhorar a qualidade do modelo usando informações adicionais dos dados não rotulados.

O auto-treinamento é um dos métodos do aprendizado semi-supervisionado. A ideia é que o modelo primeiro seja treinado com dados rotulados, depois preveja rótulos para os dados não rotulados, selecione as previsões mais confiantes e as adicione ao conjunto de treinamento para re-treinamento. Esse processo pode ser repetido várias vezes, expandindo gradualmente o conjunto de treinamento.

Exemplo de auto-treinamento:

# Pseudocódigo
model.train(dados_rotulados)
for iteração in range(N):
    pseudo_rótulos = model.predict(dados_não_rotulados)
    amostras_confidentes = select_confident(pseudo_rótulos)
    dados_rotulados += amostras_confidentes
    dados_não_rotulados -= amostras_confidentes
    model.train(dados_rotulados)

Dessa forma, o auto-treinamento ajuda a usar dados não rotulados para melhorar a qualidade do modelo com uma quantidade limitada de exemplos rotulados.