転移学習とは？てんいがくしゅう
転移学習とは、大規模なデータで訓練済みのモデルを出発点にし、対象の課題に合わせて一部の層だけ訓練し直す手法。必要な教師データと計算資源を桁で減らせる代わりに、訓練済みモデルが扱ってきた領域と対象が離れるほど精度が落ちる。既製のAPIを呼ぶ構成と、一から自前で訓練する構成の中間に置かれる選択肢になる。
最終更新：2026-10-06
システムアーキテクトを最短で暗記・合格する →背景
深層学習は本来、数十万件規模の教師データと大きな計算資源を前提にするが、業務システムが扱う対象（自社製品の外観、社内文書の分類）はそこまでの件数が集まらない。汎用データで学んだ特徴抽出は他の領域にも流用できるという性質を使い、学習の負担を後段だけに縮めたのがこの手法である。適用情報技術の調査では、学習基盤を自前で持つか外部サービスへ預けるかの方式判断へつながる。
具体例
ImageNet で学習済みの ResNet の出力側だけを差し替え、自社部品の良品・不良品の画像数百枚で再学習させる。画像を社外へ出せない制約があるならクラウドの画像認識APIは選べないので、この構成とオンプレミスのGPUという組合せが現実解になる。
試験での引っ掛け
学習済みモデルを使うだけで学習が不要になるわけではなく、教師データの収集とラベル付けの工数は残る。土台と対象の領域が離れる（自然画像から医用画像へ、など）と効果が落ちるので万能ではない。全層を再学習するか特徴抽出器として固定するかで、必要なデータ量と過学習のしやすさが変わる点も押さえる。
関連用語
出典・参考
解説は資格暗記が独自に作成しています。過去問の出典は各問題に記載のとおりです。