L'apprentissage par transfert est une technique en apprentissage automatique où un modèle entraîné pour une tâche spécifique est transféré à une autre tâche connexe.
L'objectif est de réutiliser les caractéristiques et les motifs déjà appris afin d'accélérer ou d'améliorer l'entraînement pour de nouvelles tâches.
Typiquement, un modèle pré-entraîné est utilisé comme point de départ puis affiné pour la nouvelle tâche (Fine-Tuning).
L'apprentissage par transfert est particulièrement utile lorsque peu de données d'entraînement sont disponibles pour la nouvelle tâche.
Il est appliqué dans des domaines tels que la reconnaissance d'images, le traitement du langage ou la robotique, où des tâches similaires partagent souvent des caractéristiques similaires.