従来型ML・データ
転移学習とは？意味・仕組みをわかりやすく解説
てんいがくしゅう / Transfer Learning ／ 最終更新日：2026年7月7日
30秒でわかる定義
転移学習とは、あるタスクで学習済みのモデルの知識を、別の関連タスクに再利用する手法です。大規模データで事前学習されたモデルを土台にすることで、少ないデータ・短い学習時間で高い精度を得られます。
仕組み・基本の流れ
- 1大規模データで事前学習された汎用モデル（画像ならResNet、言語ならBERT/LLM等）を用意する
- 2そのモデルが学んだ汎用的な特徴表現を引き継ぐ
- 3目的タスク向けに、出力層の付け替えや一部の層の追加学習（ファインチューニング）を行う
- 4少量のデータでも、ゼロから学習するより高精度・短時間で仕上げられる
実務でのポイント：ファインチューニングは転移学習の代表的な実装方法の一つです。事前学習済みモデルの多くの層は固定（凍結）し、一部だけ再学習することで計算コストを抑えられます。現在のLLM活用（事前学習→ファインチューニング）も、大きくは転移学習の考え方に基づいています。
関連する用語
このスキルを活かせる職種と年収は？
転移学習・ファインチューニングの実務経験は、限られたデータで高精度モデルを作るML/生成AIエンジニアの中核スキルです。事前学習モデルを活かした効率的な開発ができる人材は重宝されます。
よくある質問
Q. 転移学習とファインチューニングの違いは？
A. 転移学習は『学習済みの知識を別タスクに再利用する』という考え方全般を指し、ファインチューニングはその実装手段の一つ（事前学習モデルを追加学習して目的タスクに合わせる）です。ファインチューニングは転移学習の代表的な方法だと理解すると分かりやすいです。
Q. 転移学習はどんなときに有効ですか？
A. 目的タスクのデータが少ない場合や、ゼロからの学習にコストがかかる場合に特に有効です。大規模データで学習済みの汎用モデルの特徴表現を活かせるため、少ないデータでも高い精度を得やすくなります。