Přenosové učení (anglicky „transfer learning“) je koncept v oblasti strojového učení, který se zaměřuje na schopnost přenést znalosti z jednoho úkolu na úkol druhý. Jedná se o přístup, který vychází z pozorování, že lidé jsou schopni využít dovednosti a znalosti získané při provádění jedné činnosti k řešení problému v jiné, často pouze nepřímo související oblasti. Principem přenosového učení je tedy, že model vytrénovaný na jedné úloze může být upraven a použit pro úlohu druhou, což může výrazně snížit potřebné množství dat pro trénování nebo urychlit proces učení.
Přenosové učení je zvláště užitečné v situacích, kdy je pro novou úlohu k dispozici jen omezené množství trénovacích dat. V praxi se to často setkáme například v oblasti zpracování přirozeného jazyka nebo počítačového vidění, kde modely vyžadují velké množství anotovaných dat pro efektivní učení. Využitím přenosového učení můžeme vycházet z modelů, které byly vytrénovány na rozsáhlých a obecných datasetech, a přizpůsobit je specifickému úkolu, což často vede k lepším výsledkům, než kdybychom trénovali model od základu.
Existují různé metody, jak implementovat přenosové učení. Jednou z nejčastějších je tzv. fine-tuning, kdy se nejprve model předtrénuje na velkém a obecném datasetu, a poté se jemné doladí (fine-tune) na menším, specifickém datasetu týkajícím se konkrétní úlohy. Tento proces zahrnuje nastavení modelu na nové data, kdy mohou být některé vrstvy modelu „zamraženy“ a některé upraveny, aby lépe reflektovaly specifika nového úkolu. Další přístup, tzv. feature extraction, spočívá v tom, že se využívají prvky (features) vyextrahované z pre-trénovaného modelu jako vstup pro nový model, který je pak trénován na specifické úloze. Přenosové učení tak představuje efektivní strategii pro zlepšení výkonu strojových učících se modelů v mnoha aplikacích.
Mgr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)