Firma chce ponownie wykorzystać istniejące, wstępnie wytrenowane modele domenowe zamiast trenować modele od podstaw, aby rozwiązać nowe, ale powiązane zadania. Jakiej strategii uczenia maszynowego powinna użyć?

Transfer learning (uczenie transferowe) to strategia, która pozwala na ponowne wykorzystanie wiedzy zdobytej przez model wytrenowany do jednego zadania (lub na jednym zbiorze danych) i zastosowanie jej do nowego, ale powiązanego zadania. Jest to idealne rozwiązanie, gdy firma chce wykorzystać istniejące, wstępnie wytrenowane modele domenowe, aby uniknąć trenowania od podstaw. Zwiększenie lub zmniejszenie liczby epok treningowych to parametry optymalizacji istniejącego modelu, a nie strategia ponownego wykorzystania. Uczenie nienadzorowane to inny paradygmat uczenia maszynowego, który nie koncentruje się na wykorzystaniu wstępnie wytrenowanych modeli do nowych zadań.