[場景]
小美是資料標註員，負責辨識圖像資料並加上標籤，然後交給工程師進行模型訓練。
眼看已經接近下午5點，可是尚未標註的資料還有很多……
一、標籤不夠，是現實世界的常態
想像你要訓練一個「動物辨識模型」。
你有：
- 100 張已經人工標記好的圖片（有標籤）
- 20,000 張沒標籤的圖片
問題來了：
- 只用 100 張可以訓練嗎？資料太少。
- 全部人工標註？成本太高。
這時候，就會發現：
使用監督式學習（Supervised Learning），資料必須全部都有標籤。
使用非監督式學習（Unsupervised Learning）又無法達到分類效果。
於是，出現了第三種學習方式。
二、什麼是半監督式學習（Semi-Supervised Learning）？
半監督式學習的核心概念很簡單：
少量有標記資料 + 大量未標記資料的學習方式。
它的概念是：
- 先用少量已標註資料訓練一個初步模型
- 再讓模型去「推測」大量未標記的資料標籤
- 把可信的結果匯整，加入訓練資料中
簡單說：
用已知的，擴張未知的。
這種作法在技術上常被稱為「偽標籤（Pseudo-label）」或「自我訓練（Self-training）」策略。
三、它跟其他學習方式有什麼不同？
監督式學習：
✔資料全部需要標註
✔適合資料已標註並且數量充足
非監督式學習
✔資料不需要標註
✔適合依相似特性做分群
半監督式學習
✔少量已標註的資料
✔適合用在標註成本昂貴、資料數量多
可以把它想成：
監督式與非監督式的「混血策略」。
四、常見應用場景
半監督式學習最常出現在：
- 📷 電腦視覺（Computer Vision）
- 🗣 語音辨識
- 🏥 醫療影像判讀
- 🌐 網路內容分類
這些領域有一個共同點：
資料很多，但標註成本很貴、很花時間。
例如醫療影像，需要專業醫師標註。
不可能全部人工完成。
五、考試提示
考題通常不會深入演算法。(出現機率不大)
但是可能會這樣問：
「下列何者為半監督式學習的特徵？」
正確答案通常是：
✔ 使用少量標記資料與大量未標記資料
六、實務應用上，它仍是值得認識的
因為在真實的應用情境裡：
資料幾乎永遠是不完整的。
半監督式學習代表的是一種「現實妥協」。
它不是最理想的方法，
卻往往是最務實的選擇。
七、小結
機器學習的主要學習方式包含：
- 監督式：標籤完整
- 非監督式：完全無標籤
- 半監督式：現實世界的折衷解法
到這裡，我們已經把「機器學習的模型」介紹的差不多了。
但請留意：
挑對模型，只是成功的一部分。
真正影響結果的，往往是資料本身。
▶ Next：下一篇，我們該來談談——
👉 為什麼資料清理，比模型選擇更重要？
課程說明
🔖 以下內容為本系列的學習安排與閱讀指引。
- 為方便大家學習，我將全部章節進行劃分，詳見導覽文。
- 本系列文章區分為「免費文」與「收費文」，
目的在於清楚分開「初步認識」與「深入理解」兩個學習階段。
收費內容將在基礎概念之上，整合重點圖表與說明，並融入個人教學與應考經驗，
協助讀者建立可實際運用的理解框架。 - 各系列的收費文章皆以「考試情境」為主軸進行整理，
不僅補齊必要的模型原理與判斷邏輯，
亦會搭配模擬題與選項解析，
協助學習者從「看懂內容」，進一步轉化為「選得正確」。
