1．基本を理解
読み方・用語解説- 読み方
- てんいがくしゅう
- 英語名
- Transfer Learning
- 提唱者・年代
- 1990年代の研究から確立し、ディープラーニングと共に2010年代に広く普及
💡 豆知識——transfer＝“転移・移動”。あるタスクで得た知識を別のタスクへ“転移”させる、という意味。
【セットで覚えたい関連用語】
2．意味（定義）と例え話
あるタスクで一度学習したモデルを、新しいタスクに適応（再利用）させる手法。例：一般的な物体認識で学習したモデルを医療画像診断に適用。既存の知識を活用するためゼロからの再学習より効率的で、小規模なデータセットでも高精度なモデルを構築できる。
「ディープラーニングは大量データ・計算が必要」という課題から、“事前学習で覚えた特徴を再利用しよう”として発展。現代の生成AI（事前学習＋ファインチューニング）の中核。
自動車免許を持っている人が、そのまま原付免許を取りやすいのに似てる。すでに“一般の運転スキル”を持っているから、ゼロから覚えなくて済むんだ。
一般的な画像モデルを医療診断へ、汎用LLMを業界特化へ、など。生成AIサービスの土台になっている。
「ゼロからより効率的／少量データでも高精度／事前学習の知識を再利用」が得点セット。
3．直前に理解（Q&A）
8問Q1. 転移学習とは？最頻出
あるタスク・データで事前学習したモデルの知識（重みや表現）を、新しいタスクに再利用する手法。
Q2. 最大の利点は？最頻出
ゼロからの再学習より効率的（データ・計算コストが少なく）で、小規模なデータセットでも高精度なモデルを構築できる。
Q3. 利用例は？頻出
一般的な物体認識で学習したモデルを医療画像診断へ適用する、汎用LLMを業界向けに調整する、など。
Q4. ファインチューニングとは？頻出
事前学習済みモデルの重みを初期値とし、新しいタスクのデータを用いてモデル全体（または一部の層）の重みを微調整（再学習）する手法。
Q5. 特に有効な場面は？頻出
新しいタスクのデータが少ない場合（事前学習済みモデルの“汎用的な知識”を借りられるから）。
Q6. 「転移学習はゼロからより常に精度が高い」は正しい？ひっかけ
誤り。新タスクのデータが十分にある場合はゼロから学習する方が上回ることもある。“既存知識を効率よく活用する”技術。
Q7. 転移学習と事前学習の違いは？混同注意
事前学習＝大規模データで“一般的な知識”を先に学習する準備段階。転移学習＝その知識を新しいタスクへ“適用・再利用”する段階。
Q8. 位置づけは？親と子
機械学習・ディープラーニングの活用技術。現代の「事前学習→ファインチューニング」の流れの基盤。
4. まとめ
転移学習は、一度学習した知識を新しいタスクに流用する技術。少量データでも効率的に高精度。