El aprendizaje semi-supervisado aprovecha la estructura presente en una gran cantidad de datos sin etiquetar, combinándola con la información más precisa (pero escasa) de un conjunto reducido de datos etiquetados, buscando un desempeño mejor que usar solo los datos etiquetados por sí solos.
Por qué es tan relevante en la práctica
Etiquetar datos manualmente suele ser costoso y lento, mientras que los datos sin etiquetar suelen estar disponibles en gran cantidad. Aprovechar ambos tipos de datos de forma conjunta permite lograr buenos resultados sin necesitar etiquetar todo el conjunto de datos disponible.