ട്രാൻസ്ഫർ ലേണിംഗ് (ഇൻഡക്റ്റീവ് ട്രാൻസ്ഫർ എന്നും അറിയപ്പെടുന്നു) ഒരു വ്യത്യസ്തവും എന്നാൽ ബന്ധപ്പെട്ടതുമായ ജോലികൾക്കായി നേടിയ അറിവിന്റെ പുനരുപയോഗത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന ഒരു മെഷീൻ ലേണിംഗ് രീതിയാണ്. പരിമിതമായ അളവിലുള്ള ഡാറ്റ ലഭ്യമാകുമ്പോൾ ട്രാൻസ്ഫർ ലേണിംഗ് ഉപയോഗിക്കുന്നു, കൂടാതെ ടാർഗെറ്റ് ഡൊമെയ്ൻ ഇതിനകം അറിയപ്പെടുമ്പോൾ ഒരു ഉറവിട ഡൊമെയ്നിൽ നിന്ന് പഠിക്കുക എന്നതാണ് ലക്ഷ്യം. ഇൻഡക്റ്റീവ് ട്രാൻസ്ഫർ, ട്രാൻസ്ഡക്റ്റീവ് ട്രാൻസ്ഫർ എന്നിങ്ങനെ രണ്ട് പ്രധാന ട്രാൻസ്ഫർ ലേണിംഗ് ഉണ്ട്.
ഉറവിടവും ലക്ഷ്യവും വ്യത്യസ്തമായ പ്രശ്നങ്ങളാണെങ്കിലും ഒരേ ഫീച്ചറുകൾ/ഇൻപുട്ടുകൾ ഉപയോഗിക്കുമ്പോഴാണ് ഇൻഡക്റ്റീവ് ട്രാൻസ്ഫർ, പരിമിതമായ ഉറവിട ഡാറ്റ മാത്രം ലഭ്യമാകുമ്പോൾ ഇത് ഉപയോഗിക്കുന്നു. ഇൻഡക്റ്റീവ് ട്രാൻസ്ഫർ സാധാരണയായി സൂപ്പർവൈസുചെയ്ത പഠന ക്രമീകരണങ്ങളിൽ ഉപയോഗിക്കുന്നു, ഇവിടെ ഒരു ഉറവിട ഡൊമെയ്നിൽ നിന്നുള്ള അറിവ് ഒരു ടാർഗെറ്റ് ഡൊമെയ്നിലേക്ക് പ്രയോഗിക്കുക എന്നതാണ് ലക്ഷ്യം.
ഉറവിടത്തിനും ടാർഗെറ്റ് ഡൊമെയ്നുകൾക്കും സമാനമായതും എന്നാൽ സമാനമല്ലാത്തതുമായ ഇൻപുട്ടുകൾ ഉള്ളപ്പോഴാണ് ട്രാൻസ്ഡക്റ്റീവ് ട്രാൻസ്ഫർ, ചില ഉറവിട ഡാറ്റ ലഭ്യമാണെങ്കിലും പൂർണ്ണ പരിശീലന സെറ്റിന് പര്യാപ്തമല്ലെങ്കിൽ ഇത് ഉപയോഗിക്കുന്നു. ഈ സാഹചര്യത്തിൽ, ഉറവിടവും ടാർഗെറ്റ് മോഡലുകളും വിദഗ്ദ്ധ പരിജ്ഞാനം അല്ലെങ്കിൽ സ്വാഭാവിക ഭാഷ പോലെയുള്ള ഒന്നിലധികം ഉറവിടങ്ങളിൽ നിന്ന് പഠിക്കുന്നു.
1990-കളുടെ മധ്യത്തിൽ ഇൻപുട്ട് സ്രോതസ്സുകളിൽ നിന്ന് അറിവ് കൈമാറ്റം ചെയ്യുന്നതിനുള്ള വഴികൾ പരിശോധിച്ചുകൊണ്ട് ട്രാൻസ്ഫർ ലേണിംഗിനെക്കുറിച്ചുള്ള ഗവേഷണം ആരംഭിച്ചു. വലിയ ഡാറ്റാസെറ്റുകളിൽ ഒരു ന്യൂറൽ നെറ്റ്വർക്കിനെ മുൻകൂട്ടി പരിശീലിപ്പിക്കുകയും തുടർന്ന് ചെറിയ ഡാറ്റാസെറ്റുകളിൽ നെറ്റ്വർക്ക് മികച്ചതാക്കുകയും ചെയ്യുക എന്നതാണ് പഠന കൈമാറ്റത്തിനുള്ള മറ്റൊരു പൊതു സമീപനം. വലിയ അളവിലുള്ള ഡാറ്റ ശേഖരിക്കാതെ സാമാന്യവൽക്കരണവും കൃത്യതയും വർദ്ധിപ്പിക്കുക അല്ലെങ്കിൽ ഒരു പുതിയ ടാസ്ക്കിനായി ഒരു വലിയ മുൻകൂർ പരിശീലനം ലഭിച്ച മാതൃക പുനർനിർമ്മിക്കുക എന്നതാണ് ലക്ഷ്യം.
വലിയ ഡാറ്റാസെറ്റുകളുടെ സാന്നിധ്യം കാരണം കമ്പ്യൂട്ടർ വിഷൻ, നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ്, മറ്റ് മെഷീൻ ലേണിംഗ് ആപ്ലിക്കേഷനുകൾ എന്നിവയിൽ ട്രാൻസ്ഫർ ലേണിംഗ് കൂടുതൽ പ്രാധാന്യമർഹിക്കുന്നു. റോബോട്ടിക്സ്, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് തുടങ്ങിയ സങ്കീർണ്ണമായ പ്രശ്നങ്ങളിലേക്ക് ട്രാൻസ്ഫർ ലേണിംഗ് എങ്ങനെ പ്രയോഗിക്കാമെന്ന് ഗവേഷകർ കൂടുതലായി നോക്കുന്നു.
ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് നേടുന്നതിനുള്ള ഒരു നിർണായക സാങ്കേതികതയാണ് ട്രാൻസ്ഫർ ലേണിംഗ്, ഈ മേഖലയിലെ ഗവേഷണത്തിന്റെ ഒരു പ്രധാന മേഖലയാണിത്. ഡാറ്റാസെറ്റുകൾക്കും കമ്പ്യൂട്ടേഷണൽ പവറിനുമുള്ള വർദ്ധിച്ചുവരുന്ന ഡിമാൻഡിനൊപ്പം, ഗവേഷകർ കൃത്യത വർദ്ധിപ്പിക്കാനും ഡാറ്റ ശേഖരണത്തിന്റെ ചിലവ് കുറയ്ക്കാനും ശ്രമിക്കുന്നതിനാൽ ട്രാൻസ്ഫർ ലേണിംഗ് ഗവേഷണത്തിന്റെ ഒരു പ്രധാന മേഖലയായി തുടരും.