Skip to main content
BVDNETBVDNET
DienstenWerkBibliotheekOver MijPrijzenBlogContact
Contact
  1. Home
  2. AI Woordenboek
  3. Kernconcepten
  4. Wat is Transfer Learning?
book-openKernconcepten
Intermediate
2026-W17

Wat is Transfer Learning?

Transfer learning is een techniek waarbij kennis van een model getraind op één taak wordt hergebruikt voor een andere taak, waardoor krachtige AI met minder data en rekenkracht mogelijk is.

Ook bekend als:
kennisoverdracht
AI Intel Pipeline
What is Transfer Learning?

Wat is Transfer Learning?

Transfer learning is een machine learning-techniek waarbij een model dat getraind is op één taak wordt hergebruikt als startpunt voor een andere, gerelateerde taak. In plaats van een model volledig opnieuw te trainen, neem je de geleerde kennis over en pas je die aan — waardoor je sneller, met minder data en goedkoper tot een goed presterend model komt.

Waarom het ertoe doet

Transfer learning democratiseerde AI. Voorheen had je enorme datasets en miljoenen euro's aan compute nodig om een goed model te trainen. Met transfer learning kan een klein team een foundation model nemen dat al triljoenen tokens heeft gezien en het met een paar duizend voorbeelden aanpassen voor hun specifieke toepassing. Het is de reden dat startups en kleine organisaties nu state-of-the-art AI-toepassingen kunnen bouwen.

Hoe het werkt

Het basisprincipe:

  1. Basismodel — een model getraind op een brede taak (bijv. alle tekst op het internet)
  2. Feature-extractie — de geleerde representaties (features) uit het basismodel overnemen
  3. Aanpassing — de laatste lagen finetunen of nieuwe lagen toevoegen voor de specifieke taak

Varianten:

  • Feature extraction — bevriest het basismodel en traint alleen een nieuwe outputlaag
  • Fine-tuning — traint het volledige model door met een lage learning rate op taakspecifieke data
  • LoRA / adapters — voegt kleine trainbare modules toe terwijl het basismodel bevroren blijft

Wanneer transfer learning werkt:

  • De bron- en doeltaak delen onderliggende patronen
  • Er is beperkte data beschikbaar voor de doeltaak
  • Het basismodel is getraind op relevante, brede data

Wanneer het faalt:

  • De domeinen zijn te verschillend (medische beelden → financiële data)
  • De doeltaak vereist fundamenteel andere features

Voorbeeld

Een Nederlands advocatenkantoor wil contracten automatisch analyseren. In plaats van een taalmodel van scratch te trainen (wat miljoenen kost), nemen ze LLaMA 3 en finetunen het op 5.000 geannoteerde juridische contracten. Het model leert in uren — in plaats van maanden — omdat het al begrijpt hoe taal werkt; het hoeft alleen de juridische nuances te leren.

Bronnen

  1. Ruder – Transfer Learning in NLP
  2. CS231n – Transfer Learning

Hulp nodig bij het implementeren van AI?

Ik help je dit concept toe te passen in je bedrijf.

Neem contact op

Gerelateerde Concepten

Tokenizer
Een tokenizer zet ruwe tekst om in tokens — de discrete eenheden die een taalmodel verwerkt — met subwoordalgoritmen zoals BPE of SentencePiece.
Kunstmatige Intelligentie (AI)
Kunstmatige intelligentie is het vakgebied dat systemen bouwt die taken uitvoeren waarvoor normaal menselijke intelligentie nodig is, zoals leren, redeneren en waarnemen.
Batch Size
Batch size (voorbeelden per update) en learning rate (stapgrootte voor gewichtsupdates) zijn de twee belangrijkste hyperparameters die bepalen hoe neurale netwerken trainen.
Benchmark (AI-evaluatie)
Een benchmark is een gestandaardiseerde test om AI-modelprestaties te meten en vergelijken, met reproduceerbare scores op taken als redeneren, coderen en kennis.

AI-advies

Hulp nodig bij het begrijpen of implementeren van dit concept?

Praat met een expert
Vorige

Trajectory Refinement

Volgende

Transformer

BVDNETBVDNET

Webontwikkeling en AI-automatisering. Goed gedaan.

Bedrijf

  • Over Mij
  • Contact
  • FAQ

Resources

  • Diensten
  • Werk
  • Bibliotheek
  • Blog
  • Prijzen

Connect

  • LinkedIn
  • Email

© 2026 BVDNET. Alle rechten voorbehouden.

Privacybeleid•Algemene Voorwaarden•Cookiebeleid