Transfer Learning är en teknik inom maskininlärning som innebär att en modell som har tränats på en uppgift används för att lösa en annan uppgift. Detta innebär att modellen inte behöver tränas från grunden för varje ny uppgift, vilket sparar tid och resurser. Istället kan en befintlig modell användas som grund och sedan finjusteras för att passa den nya uppgiften.
Exempel: En modell som tränats på bildklassificering kan användas för att lösa en annan uppgift, som objektigenkänning, genom att finjustera modellen på en mindre datamängd av objektbilder och sedan träna modellen på nytt på den nya uppgiften.