半监督学习机制下的说话人辨认算法 半监督学习在入侵检测系统中的应用 半监督学习综述 基于半监督学习的眉毛图像分割方法 基于半监督学习的网络流量分类 基于核策略的半监督学习方法 一种基于半监督学习的多模态Web查询精化方法 有关半监督学习的问题及研究

Python的半监督学习框架 该项目包含用于半监督学习的Python实现，并与scikit-learn兼容，包括 对比悲观似然估计（CPLE） （基于-但不等同于 ），适用于所有分类器的“安全”框架，可以产生预测概率（此处的安全意味着在标签和未标签数据上训练的模型都应不会比仅根据标签数据训练的模型差） 自我学习（自我训练），一种适用于任何分类器的幼稚半监督学习框架（使用经过训练的分类器迭代标记未标记的实例，然后在结果数据集上对其进行重新训练-参见例如 ） 半监督支持向量机（S3VM）-一种简单的scikit-learn兼容包装器，用于由Fabian Gieseke，Antti Airola，Tapio Pahikkala，Oliver Kramer开发的QN-S3VM代码（请参见 ）包含此方法用于比较 第一种方法是对的新颖扩展用于任何区分性分类器（与原始CPLE的区别在下面进行说明）。

完整英文版 IEC 60749-9：2017 Semiconductor devices - Mechanical and climatic test methods - Part 9：Permanence of marking（半导体器件-机械和气候试验方法-第9部分：标记的持久性）。IEC 60749-9:2017 用于确定固态半导体器件上的标记在施加和去除标签或使用溶剂和清洁溶液时，在去除印刷电路上的助焊剂残留物过程中常用的标记是否仍然清晰可辨 板制造过程。此测试适用于所有包装类型。 它适用于资格和/或过程监控测试。 该测试被认为是非破坏性的。 电气或机械剔除可用于此测试的目的。