Die Erreichung der Leistung vollständig überwachter Lernverfahren mit unbeschrifteten Daten und lediglich der Beschriftung eines einzigen Samples pro Klasse könnte für Anwendungen im Bereich des tiefen Lernens ideal sein. Erstmals zeigen wir das Potenzial für den Aufbau eines One-Shot-Semi-Supervised-Lernens (BOSS) auf CIFAR-10 und SVHN, wodurch Testgenauigkeiten erzielt werden, die mit denen vollständig überwachter Lernverfahren vergleichbar sind. Unsere Methode kombiniert die Verfeinerung von Klassenprototypen, Klassenbalancierung und Selbsttraining. Eine gut gewählte Prototypenauswahl ist entscheidend, weshalb wir eine Technik zur Gewinnung ikonischer Beispiele vorschlagen. Zudem zeigen wir, dass Methoden zur Klassenbalancierung die Genauigkeitsergebnisse im semi-supervised Learning erheblich verbessern, sodass Selbsttraining Leistungen erreicht, die denen vollständig überwachter Lernverfahren nahekommen. Ausführliche empirische Evaluationen liefern Belege dafür, dass das Beschriften großer Datensätze nicht notwendig ist, um tiefe neuronale Netze zu trainieren. Wir stellen unseren Code unter https://github.com/lnsmith54/BOSS zur Verfügung, um die Reproduzierbarkeit zu fördern und die Anwendung in zukünftigen realen Anwendungen zu ermöglichen.