У магістерської роботі буде розглянуто задачу класифікації у межах напівавтоматичного навчання (semi-supervised learning). Головна особливість напівавтоматичного навчання полягає у використанні для навчання не тільки маркованих, а й немаркованих даних. Такий підхід дозволяє суттєво покращити точність класифікації. Переважна більшість методів машинного навчання задля розв’язання цієї задачі використовує мінімізацію функціонала Тихонова, що забезпечує регуляризацію в гільбертовому просторі із наперед вибраним породжуючим ядром. У роботі будуть розглянуті різні підходи до побудови породжуючого ядра безпосередньо із даних спостереження. Для цього на засадах ідей дифузійної геометрії буде застосовані деякі методи використання немаркованих даних для відновлення геометрії простору. Відомо, що власні функції оператора Лапласа–Бельтрамі використовуються для опису внутрішньої геометрії многовиду. Проте, оператор Лапласа–Бельтрамі не можна безпосередньо обчислити маючи тільки скінченну кількість точок, що належать даному многовиду. Тому в рамках запропонованого підходу для імітації геометрії многовиду використовуються власні вектори графічного лапласіану (graph Laplacian), що пов’язані із немаркованими даними. Зокрема, за допомогою різних тестових прикладів буде досліджено вплив різних методів побудови графічного лапласіана на точність класифікації.