یادگیری انتقالی
یادگیری انتقالی پارادایمی در یادگیری ماشین است که در آن دانش کسبشده از آموزش یک مدل بر روی یک وظیفه یا دامنه مبدأ، برای بهبود یادگیری بر روی یک وظیفه یا دامنه هدف متفاوت اما مرتبط، مجدداً استفاده میشود. این روش بهویژه زمانی قدرتمند است که دادههای برچسبدار برای وظیفه هدف کمیاب باشند و اساس اکثر کاربردهای مدرن یادگیری عمیق در بینایی ماشین، پردازش زبان طبیعی و فراتر از آن را تشکیل میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+40 more
منابع
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
- Bengio, Y. (2012). Deep Learning of Representations for Unsupervised and Transfer Learning. In Proceedings of ICML Workshop on Unsupervised and Transfer Learning, PMLR 27, 17–36. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Transfer Learning (Domain Adaptation and Knowledge Transfer). ScholarGate. https://scholargate.app/fa/machine-learning/transfer-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- یادگیری چند نمونهای (Few-shot Learning)یادگیری ماشین↔ compare
- یادگیری خودنظارتییادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →