転移学習とは【図解でわかりやすく】

最終更新日：2026年7月15日

30秒でわかる結論

転移学習は「ゼロから作らず、学習済みモデルの知識を新タスクに流用する」手法です。100万枚の画像で学習済みのモデルは「エッジや模様の見分け方」という汎用知識を持つため、手元の1000枚で追加学習するだけで少ないデータと時間で高精度が実現します。自然言語処理（NLP）では2018年のBERT・GPTの登場で「大量テキストで事前学習→タスクごとにファインチューニング」という転移学習パラダイムが確立し、NLPを革命しました。

転移学習＝学習済みモデルの知識を新タスクに流用。少ないデータで高精度を出す現代の定石。

転移学習はG検定の「実務手法」として最頻出のひとつです。「英語とフランス語」のたとえで直感的に理解しましょう。

図解

解説

100万枚の画像で学習済みのモデルは「エッジや模様の見分け方」という汎用知識を持っています。それを土台に手元の1000枚だけ追加学習すれば、ゼロから作るより遥かに少ないデータと時間で高精度が出せます。「英語を習得した人はフランス語も早い」のと同じ理屈。ファインチューニングは、その具体的なやり方（パラメータの微調整）です。

具体例

医療診断AIの構築例：本来100万枚の医療画像が必要なところ、ImageNet（大規模自然画像データセット）で事前学習済みのモデルを転移学習に使えば、1万枚でほぼ同等の精度が実現できます。NLPでの例：GoogleがBERT（汎用テキストで事前学習済み）を社内文書検索システムにファインチューニングして使用。ゼロから専用モデルを作るより遥かに少ないコストで高精度な文書理解が実現しました。

間違えやすい類似用語

ファインチューニング：転移学習が「別タスクの知識を流用する」という大きな戦略の名前。ファインチューニングは転移学習の代表的な実装方法で、「学習済みモデルのパラメータを新タスク向けに微調整すること」を指す。戦略（転移学習）と具体的な手段（ファインチューニング）の関係。
事前学習（Pre-training）：事前学習は転移学習の「第1フェーズ」で、大量データで汎用的な知識を獲得する工程。その後ファインチューニング（第2フェーズ）で特定タスクに適応させる。GPT・BERTなど現代のLLMはすべてこの事前学習→ファインチューニングのパラダイムを採用している。

覚え方

転移学習＝ゼロから作らない。英語できる人はフランス語も早い

試験での問われ方

G検定では「転移学習の定義（学習済みの知識を別タスクへ流用）」「ファインチューニングとの関係（転移学習の代表的な手段）」「少量データでも高精度を出せる理由」が頻出です。自然言語処理の文脈では「BERT＝双方向事前学習で理解が得意」「GPT＝一方向で生成が得意」という転移学習モデルの代表例もセットで押さえましょう。

確認問題

大量のデータで学習済みのモデルが持つ知識を、別の新しいタスクに流用することで、少ないデータでも高い精度を得る手法を何と呼ぶでしょう？

A. 強化学習
B. 転移学習
C. アンサンブル学習
D. k-means法

正解：B. 転移学習

転移学習（Transfer Learning）は学習済みモデルの知識を新タスクに流用する手法です。「英語ができる人はフランス語も早い」と同じ理屈。ファインチューニングは転移学習の具体的な実装方法（パラメータの微調整）です。現代のAI開発でゼロからモデルを作ることは少なく、転移学習が実務の標準手法です。

転移学習の問題を解いてみる →