
تقنية في التعلم الآلي حيث يتم تطبيق المعرفة المكتسبة من مهمة واحدة على مهمة مختلفة ولكنها ذات صلة.التعلم بالنقل هو استراتيجية في التعلم الآلي حيث يُعاد استخدام نموذج مُدرَّب على مهمة ما كنقطة انطلاق لمهمة ثانية ذات صلة. بدلاً من التدريب من الصفر، يحمل النموذج الميزات والأنماط التي تعلمها من المجال الأول، مما يؤدي غالبًا إلى تسريع التدريب وتحسين الأداء، خاصة عندما تكون البيانات للمهمة المستهدفة نادرة. في الفيزياء، أصبح التعلم بالنقل أداة قوية لتطبيق الشبكات العصبية المُدرَّبة على بيانات محاكاة أو اصطناعية على بيانات تجريبية حقيقية، أو لتكييف النماذج من نظام مادي إلى آخر.
ظهر مفهوم التعلم بالنقل في تسعينيات القرن العشرين في مجتمع التعلم الآلي، مع أطر رسمية اقترحها لورين برات وآخرون. اكتسب شعبية واسعة بعد عام 2012 عندما تم ضبط الشبكات العصبية الالتفافية العميقة المُدرَّبة مسبقًا على ImageNet بنجاح لمهام بصرية أخرى.
يتضمن النهج النموذجي مرحلتين: التدريب المسبق والضبط الدقيق. أثناء التدريب المسبق، تتعلم الشبكة العصبية تمثيلات عامة من مجموعة بيانات كبيرة وغالبًا عامة—على سبيل المثال، صور أو أطياف من مواد مختلفة كثيرة. في مرحلة الضبط الدقيق، يتم تعديل أوزان الشبكة قليلاً باستخدام مجموعة بيانات أصغر خاصة بالمهمة. غالبًا ما يتم تجميد الطبقات الأولى، التي تلتقط ميزات منخفضة المستوى مثل الحواف أو القمم الطيفية، بينما يتم إعادة تدريب الطبقات اللاحقة لربط تلك الميزات بالمهمة الجديدة. يعمل هذا لأن العديد من الأنظمة الفيزيائية تشترك في بنى أساسية شائعة، لذا تنتقل الميزات المتعلمة بفعالية.
في الفيزياء، يُستخدم التعلم بالنقل لتدريب الشبكات العصبية التي تتنبأ بخصائص المواد من بيانات تجريبية محدودة، ولتسريع التخطيط للجرعات في العلاج الإشعاعي، ولتكييف النماذج من تكوين مسرع جسيمات أو مفاعل إلى آخر.
التعلم بالنقل هو السبب وراء قدرة نماذج الذكاء الاصطناعي الحديثة على التدريب على مجموعات بيانات عامة ضخمة ثم التخصص في مهام متخصصة باستخدام بضع مئات من الأمثلة فقط، وهي عملية كانت ستتطلب ملايين العينات المصنفة لولا ذلك.













