転移学習（Transfer Learning）とは、あるタスクで学習した知識（モデルのパラメータ）を、別の関連タスクの学習に活用する手法です。少ないデータでも高い性能を達成でき、学習時間を大幅に短縮できます。
転移学習の仕組み
大規模データセット（ImageNetなど）で事前学習された（Pre-trained）モデルを出発点として、目的のタスクに合わせて追加学習します。事前学習で獲得した汎用的な特徴抽出能力を新しいタスクに転用します。
ファインチューニングとの関係
転移学習では、事前学習モデルの一部または全体のパラメータを新しいタスクのデータで更新する「ファインチューニング」が一般的です。特徴抽出器として固定して使う方法（Feature Extraction）もあります。
活用例
画像認識（ImageNet事前学習→医療画像分類）、自然言語処理（BERT/GPT事前学習→感情分析）、音声認識など、幅広い分野で転移学習は標準的なアプローチとなっています。