对我们来说，我们从来不缺都是data，但是缺的是有label的data,所以需要semi-supervised Learning
这里unlabel data是只告诉我们function Model的输入，但是不告诉输出，而且unlabeled data远大于labels data
unlabeled data伴随着一些分布的假设，semi-supervised Learning 是否有用决定于你的假设是否有用（精确和符合实际）
方法：
传统的监督学习的分布
计算新的MODEL
原本只有label data的时候，每一笔的data的likelihood都是可以算出来的，
衡量分布是否集中的方法：Entropy of yu,越小越好，越小越集中，拉姆达表示是偏向unlabeled data多一点还是小一点
SVM穷举unlabeled data 的可能得label,得到margin最大，world loss最小
第二种方法：
x的分布是不集中的，有些集中有些分散，X1->X2比较简单到达，中间有high density region，很有可能X1,X2有相同的label
第三种方法：一同聚类，然后lable 他
如何建设graph
相似度计算函数f(x,x’)
相连的线上point的S然后相加，来判断谁更SMOOTH
