# Apprentissage Semi-supervisé

> Méthode utilisant une petite quantité de données étiquetées et une grande quantité de données non étiquetées.

- Page ZoneIA : https://zoneia.fr/glossaire/apprentissage-semi-supervise
- Type : Définition du glossaire IA
- Catégories : [Analyse de Données & Data](https://zoneia.fr/outils/categorie/analyse-donnees-data), [Recherche & Science](https://zoneia.fr/outils/categorie/recherche-science-ia)
- Publié le : 2026-03-04
- Mis à jour le : 2026-05-22

L’apprentissage semi-supervisé vise à tirer parti d’un **petit jeu de données annotées** (labels fiables) et d’un **grand volume de données non annotées** (souvent plus faciles à collecter). Il se situe entre l’apprentissage supervisé (tout étiqueté) et non supervisé (rien d’étiqueté). L’objectif est d’améliorer la performance d’un modèle quand l’annotation est coûteuse ou lente.

## Comment ça fonctionne
Le principe est d’utiliser les données non étiquetées pour **contraindre** ou **renforcer** l’apprentissage. Parmi les approches courantes :
- **Pseudo-étiquetage** : le modèle prédit des labels sur les données non étiquetées, puis réapprend en utilisant les prédictions les plus confiantes.
- **Régularisation par cohérence** : on force le modèle à donner des prédictions similaires pour une même entrée légèrement perturbée (augmentation de données, bruit).
- **Méthodes par graphes** : on propage les labels via la similarité entre exemples.

## À quoi ça sert
- **Réduire les coûts d’annotation** tout en approchant les performances d’un modèle supervisé.
- Exploiter des **corpus massifs** (texte, images, logs) avec peu de labels.

## Exemples
Classification d’images avec peu d’annotations, détection de spam, analyse de sentiments, ou tri de tickets support où seules quelques catégories sont labellisées.

---

Source : ZoneIA, annuaire francophone des outils IA (https://zoneia.fr/glossaire/apprentissage-semi-supervise)