فرادرسیادگیری انتقال (Transfer Learning) چیست؟ — به زبان ساده
«یادگیری انتقال» (Transfer learning) یک مساله یادگیری در «یادگیری ماشین» (machine learning) است که بر ذخیره‌سازی دانش کسب شده ضمن حل یک مساله و اعمال آن بر مسائل متفاوت ولی مرتبط دیگر متمرکز شده است. برای مثال، دانش کسب شده ضمن یادگیری تشخیص خودروها (از روی تصاویر یا ویدئوها) قابل اعمال بر مسائل تشخیص تراکتور نیز هست. این حوزه پژوهشی ارتباطی با تاریخچه طویل ادبیات روانشناسی در زمینه «انتقال یادگیری» (Transfer of learning) دارد، اگرچه ارتباط رسمی بین دو مبحث بسیار محدود است.
تاریخچه یادگیری انتقال
تلاش‌های اولیه برای «انتقال» (Transfer) در یادگیری ماشین به «لورین پرت» (Lorien Pratt) باز می‌گردد که الگوریتم «انتقال مبتنی بر تمایز» (Discriminability-based Transfer | DBT) را در سال ۱۹۹۳ فرموله کرد. در سال ۱۹۹۷، ژورنال «Machine Learning» مقاله‌ای را به چاپ رساند که در آن به یادگیری انتقال پرداخته شده بود. این زمینه در سال ۱۹۹۸ پیشرفت پیدا کرد و شامل «یادگیری چند وظیفه‌ای» (multi-task learning) همراه با تحلیل رسمی پایه‌های نظری آن شد.
کتاب «Learning to Learn» که توسط «پرت» و «سباستین تران» (Sebastian Thrun) ویرایش شده، یک بررسی مروری بر این موضوع است که در سال ۱۹۹۸ منتشر شد. با مقاله‌ای که در ژورنال «Connection Science» پیرامون استفاده مجدد از شبکه‌های عصبی از طریق یادگیری انتقال انتشار یافت، یادگیری انتقال بر «علوم شناختی» (cognitive science) نیز اعمال شد.
کاربردها
الگوریتم‌های متعددی برای یادگیری انتقال در «شبکه‌های منطق مارکوف» (Markov Logic Networks | MLN) و «شبکه‌های بیزی» (Bayesian Networks) وجود دارند. انتقال در زمینه «دسته‌بندی متن» (text classification)، «فیلترینگ اسپم» (spam filtering) و برخی از دیگر زمینه‌ها اعمال شده است.
اگر نوشته بالا برای شما مفید بوده، آموزش‌های زیر نیز به شما پیشنهاد می‌شوند:
