(transfer learning) – en form av maskinlärning där programmet tränas på en typ av uppgifter för att senare kunna lösa en annan, liknande typ av uppgifter. – Ett enkelt exempel är att ett program som tränats att känna igen bilder av katter i fotografier troligen lätt kan anpassas för att känna igen bilder av hundar. Men en vanlig anledning till att man använder överföringsinlärning är att det finns för lite material från måldomänen för att man ska kunna träna maskininlärningsprogrammet med det. Därför tränar man programmet på liknande material som det finns mer av (källdomänen) och tillämpar sedan det på måldomänen. Ett annat exempel är när man ska lära ett program att känna igen fotgängare i mörker. Sådana bilder har få detaljer och är därför svåra för ett program att analysera. Man börjar då med att träna programmet på bilder av fotgängare i dagsljus. Då lär sig programmet vad det ska leta efter i en bild för att hitta fotgängare, och det kan underlätta analysen av bilder av fotgängare tagna i mörker.
– Termer:
- – Måldomän (target domain) – det område som man vill tillämpa maskininlärningen på;
- – Måluppgift (target task) – den uppgift som programmet ska lösa;
- – Källdomän (source domain) – det område som programmet först tränas på i överföringsinlärning;
- – Källuppgift (source task) – den uppgift som programmet tränas att lösa i källdomänen.
[maskininlärning] [5 april 2021]