详细内容或原文请订阅后点击阅览
什么是迁移学习以及它在机器学习中的用途？
为什么重要：迁移学习是一种机器学习技术，允许将解决一个问题的知识重复用于相关问题。
来源:人工智能+简介
简介在机器学习和深度学习中，我们大部分时间都在尝试创建一个计算模型，该模型可以描述给定数据集的某些内容。我们认为足以学习如何生成与我们希望模型执行的某些任务相关的期望输出的数据被提供给模型进行学习。
但是，人们不会从头开始学习任何任务，我们会不断将以前学到的东西用于新情况。这一概念可以通过我们所谓的迁移学习在机器学习中部分实现。
什么是迁移学习？
什么是迁移学习？迁移学习是一种机器学习技术，其中在一个任务上训练的模型被重新用作第二个任务模型的起点。这个想法是利用从解决一个问题中获得的知识并将其应用于相关问题，希望加快解决方案并减少所需的训练数据量。
这种方法在无法为新任务收集和注释大量数据，或新任务可用的训练数据量较少的情况下尤其有用。在这些情况下，迁移学习可以通过利用从先前任务中获得的知识来提供更好的解决方案。
迁移学习已应用于许多领域，例如计算机视觉、自然语言处理和语音识别等。事实证明，它可以有效地提高模型在各种任务上的性能。心理学家 C. H. Judd 认为，迁移学习通过经验概括在人类学习中得到支持 [Federica, D.]。
迁移学习的一般方法是在一组数据上训练模型，然后利用权重和/或特征图作为在相似但不同的数据集上学习的起点。因此，迁移学习从源数据集发生到目标数据集。
课程 这里 这里 这里 YouTube