O aprendizado semi-supervisionado combina características do aprendizado supervisionado e não supervisionado. Neste método, uma quantidade limitada de dados rotulados ajuda a orientar o modelo, enquanto ele explora uma grande quantidade de dados não rotulados para identificar padrões mais complexos. É útil em situações onde a rotulagem de dados é cara ou demorada, mas um pequeno conjunto de dados rotulados ainda está disponível para guiar o processo de aprendizado.