آموزش یادگیری انتقالی (Transfer Learning)

یادگیری انتقالی:

یادگیری انتقالی یا Transfer Learning یک روش یادگیری ماشینی است که سیستم یادگیری ماشین اطلاعات خود را به صورت انتقالی از یک منبع یا مدل دیگر تقویت می کند. یادگیری انتقالی که اخیراً در کلان داده‌ها و یادگیری جریان (data stream) بسیار کاربرد دارد. ایده‌ی اصلی در یادگیری انتقالی استفاده از دانشی است که مدل برای حل یک وظیفه با حجم زیادی داده به دست آورده است برای وظیفه‌ی دیگری که این حجم داده را در دسترس ندارد. یعنی به‌جای این که یادگیری مدل از صفر شروع شود، با دانش های یادگرفته‌شده از یک مدل دیگر شروع شود. درواقع، یادگیری انتقالی (Transfer Learning) یعنی استفاده از یک مدل از پیش آموزش دیده در یک کاربرد متفاوت اما مرتبط است. در این روش، از دانش بدست آمده از یک وظیفه قبلی برای بهبود عملکرد در وظیفه جدید استفاده می‌شود. انتقال یادگیری(Transfer learning) به معنای استفاده مجدد از یک مدل از پیش آموزش‌دیده برای حل یک مشکل جدید است. مهم‌ترین فایده یادگیری انتقالی (Transfer learning) این است که زمان آموزش مدل به‌شدت کاهش پیدا می یابد، و به حجم زیادی داده نیاز نیست و عملکرد مدل ماشینی در اکثر اوقات بهتر خواهد بود.

هدف از این دوره آموزشی: