Pembelajaran Pindahan
Pembelajaran pindahan ialah paradigma pembelajaran mesin di mana pengetahuan yang diperoleh daripada melatih model pada tugas atau domain sumber digunakan semula untuk meningkatkan pembelajaran pada tugas atau domain sasaran yang berbeza tetapi berkaitan. Ia amat berkesan apabila data berlabel untuk tugas sasaran adalah terhad, dan ia mendasari kebanyakan aplikasi pembelajaran mendalam moden dalam penglihatan komputer, pemprosesan bahasa semula jadi, dan seterusnya.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+40 more
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Transfer Learning (Domain Adaptation and Knowledge Transfer). ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran Sifar Contoh (Few-shot Learning)Pembelajaran Mesin↔ compare
- Pembelajaran Kendiri-PenyeliaanPembelajaran Mesin↔ compare
- Pembelajaran Separa SeliaPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →