【大模型学习】第十九章 什么是迁移学习

目录

1. 迁移学习的起源背景

1.1 传统机器学习的问题

1.2 迁移学习的提出背景

2. 什么是迁移学习

2.1 迁移学习的定义

2.2 生活实例解释

3. 技术要点与原理

3.1 迁移学习方法分类

3.1.1 基于特征的迁移学习（Feature-based Transfer）

案例说明

代码示例

3.1.2 基于模型的迁移（Model-based Transfer）

案例说明

BERT用于情感分析的例子

3.1.3 基于实例的迁移（Instance-based Transfer）

3.2 迁移学习的核心原理

4. 迁移学习架构

4.1 基本架构

4.2 源域与目标域的定义

4.3 知识迁移过程

---

1. 迁移学习的起源背景

1.1 传统机器学习的问题

        传统机器学习方法（如监督学习）通常假设训练数据（源域）与测试数据（目标域）‌独立同分布‌（i.i.d.），且需要满足以下条件：

• ‌数据充足性‌：模型需依赖大量标注数据训练才能达到高性能。
• ‌场景一致性‌：模型仅在训练数据分布的范