- Pre-training: Entrenamiento inicial en Job A.
- Positive-tuning: Ajuste en Job B, usando lo aprendido en Job A.
- Switch Studying: Aprendizaje secuencial entre tareas.
- Multitask Studying: Aprender múltiples tareas al mismo tiempo (explicado en otro video).
████████████████████████████████████████████████████████████████
█ TRANSFER LEARNING █
████████████████████████████████████████████████████████████████
█ █
█ [ FASE 1: ENTRENAMIENTO EN TAREA A ] █
█ ░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░█
█ ░ INPUT: Imagen de Gato 🐱 ░█
█ ░ OUTPUT: "Esto es un gato" ░█
█ ░ RED NEURONAL aprende bordes, texturas, formas básicas. ░█
█ ░ Guardamos pesos del modelo ░█
█ ░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░█
█ █
█ ▼ █
█ █
█ [ FASE 2: TRANSFERENCIA A TAREA B ] █
█ ▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒█
█ ▒ NUEVA TAREA: Diagnóstico de Radiografías 🩻 ▒█
█ ▒ INPUT: Imagen RX de Tórax ▒█
█ ▒ Reusamos capas iniciales del modelo entrenado 🧠 ▒█
█ ▒ Reemplazamos capa remaining por nueva salida: "Diagnóstico" ▒█
█ ▒ Entrenamos solo capa remaining (o toda la purple si hay datos) ▒█
█ ▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒█
█ █
█ 🎯 VENTAJAS: █
█ ✔ Ahorra tiempo de entrenamiento █
█ ✔ Funciona bien con pocos datos en la nueva tarea █
█ ✔ Reutiliza conocimiento aprendido previamente █
█ █
████████████████████████████████████████████████████████████████████
